本文研究无线网络中具备能量收割功能和多个 MEC 设备 (IoT) 的计算卸载，提出了基于强化学习的计算卸载框架，包括基于 Q-learning 的 hotbooting 计算卸载方案和基于 DQN 的快速计算卸载方案，针对不同的 MEC 场景给出了性能界限，并使用模拟结果验证算法效果。

Dec, 2017

提出了一种基于动态早停止和能量感知策略的边缘智能系统，用于解决深度学习模型在能源受限设备上的能耗问题，实现高效、精准的推理，与传统的能量不感知策略相比，精度和服务率分别提高了至多 25% 和 35%。

May, 2023

基于环境能量采集的无电池物联网设备在下一代无线网络的可持续绿色计划中至关重要，我们提出了一种基于应用感知的任务和能量管理器（ATEM）以及基于向量同步的数据聚合器（VSDA），此方案满足异构应用需求且降低数据损失、数据延迟，提高硬件组件可用性，并与先进技术相比更快地使组件可用。

Nov, 2023

本研究通过自学习、分布式学习的方法，适应环境，使物联网设备之间的通信参数最大程度优化，实现能源效率和通信可靠性的提高，并与中心化方式进行对比，结果显示本方法能显著提升物联网通信的能源效率和可靠性，在低成本和低功耗的物联网应用中具有很好的应用前景。

Jul, 2018

本文研究小型 IoT 系统中的能量收集、访问控制和电池预测问题，提出了基于强化学习和深度 Q 网络的三种算法，实验结果表明这些算法在性能上比现有基准方法更优秀。

May, 2018

本文提出了一种基于均值场多臂老虎机博弈方法的能量收集 Internet of Things 小型网络（UD-SCN）上行小区关联问题的分布式解决方案，并解决了面临的不确定性和信息不足的大型多智能体系统分析问题。

Apr, 2016

该论文提供了智能物联网环境（iIoTe）的能效技术和性能的最新综述，并着重研究了资源、延迟、隐私和能源消耗之间的权衡，并提供了将这些技术集成到能效 iIoTe 中的愿景和解决开放性研究挑战的路线图。

Oct, 2021

本文提出了一个使用机器学习算法（XGBoost 和神经网络）的能量预估框架，以预测无线充电设备实际接收到的能量水平。收集了真实的无线能量数据集进行训练和测试，结果表明神经网络模型比 XGBoost 模型更准确。

Mar, 2023

本研究提出了一种基于物联网的综合智能能源管理框架，并研究了基于智能机制的能源管理解决方案，使用所收集的数据来监控、控制和提高系统的效率。

Jun, 2023

研究了无授权传输范例在物联网网络上的应用，并通过深度学习方法的卷积神经网络实现设备的活动检测，以优化传输性能。

Dec, 2022