本文研究如何为无线移动用户提供超可靠、节能的虚拟现实（VR）体验，以配合协同多点传输技术和毫米波通信增强无线 VR 体验。此外，本文将无线 VR 体验增强问题制定为一个与序列相关的混合整数问题，并提出了一种基于深度强化学习 (DRL) 的优化算法来解决该问题。与各种基准算法相比，仿真结果表明，该算法比基准算法更节能（达到 4.14%）。

Jun, 2021

本文提出一种新型的动态频谱共享方案，并使用深度强化学习算法基于蒙特卡罗树搜索进行资源分配，该方案能够在考虑未来网络状态的情况下执行操作，比当前的其他方案表现更好。

Feb, 2021

本文提出了一个基于多智能体强化学习的中介访问框架，使用强化学习解决无线网络中的访问问题，通过调整 MAC 层传输概率来实现最优负载并适应时间变化的负载，同时保持对异构负载的不可知性。

Feb, 2021

本文研究基于深度强化学习技术的毫米波移动通信网络后向资源分配问题，准确预测信道状况，提高系统性能。

Dec, 2018

本文提出了使用多智能体深度强化学习机制的分布式资源管理和干扰抑制方案。该框架通过使智能体作出决策，从而解决了干扰和资源分配的问题。模拟结果表明，这种方法具有比分散式基线更高的性能，在与集中式信息论基线相媲美的同时，模型的鲁棒性得到了验证。

Feb, 2020

本文提出了一种基于强化学习的新框架，使用自适应的多阈值策略来高效地检测和减轻时间域中方向链接的间歇性干扰的问题。

Mar, 2020

本论文提出了一种基于多臂赌博机和 DDSBS 操作的 TDMA MAC 时隙分配协议，实现无冲突传输和提高带宽利用效率。通过广泛的模拟实验，表明该机制适用于具有或不具有时间同步的网络，可以在学习收敛时间和带宽之间做出平衡，并允许节点适应拓扑变化。

Jan, 2023

本文研发了一种结构增强的深度强化学习算法用于最小化远程估计均方误差，实现在多传感器远程估计系统的最优调度，该算法可以比基准算法节省 50％的训练时间并将远程估计均方误差降低 10％至 25％。

Nov, 2022

研究多通道接入的问题，应用深度 Q 网络实现对于未知系统动态的自适应学习，以最大化长期回报，通过仿真与实际数据跟踪比较表明该方法在更为复杂的情境下具有最佳性能。

Feb, 2018

本文提出了一种基于可重构智能反射器（IR）辅助下行毫米波基站多用户通信的新型框架，并通过一种新的通道估计方法来实时测量通道状态信息（CSI），进而采用 Q-learning 算法的分布增强学习，结合量化回归和全分布下行速率优化，通过模拟测试表明，与固定的 IR 反射或直接传输方案相比，该方法可以使下行密集多用户界面的速率大幅度提高。

Feb, 2020