研究毫米波系统中的波束对准问题，通过设计一种优化算法来减少开销，具体来说，利用随机优化公式在线最大化波束对准策略的指向增益，通过上下文信息改善性能并提出等效结构化多臂军刀算法来最优化探索 - 开发权衡。

Dec, 2017

我们开发了一种多智能体强化学习算法，通过对多个大规模 MIMO 基站的多级高级休眠模式和天线切换进行决策，以最小化多个多基站多小区网络的总能耗，同时保持整体服务质量。该问题被建模为分散式部分可观察马尔可夫决策过程 (DEC-POMDP)，以实现个别基站之间的协作，以解决小区间的干扰。设计了一种多智能体近端策略优化 (MAPPO) 算法来学习一个协作基站控制策略。为了增强可扩展性，进一步提出了 MAPPO - 邻近策略的改进版本。仿真结果表明，训练得到的 MAPPO 智能体相比基准策略取得更好的性能。具体而言，与自动休眠模式 1 (符号级睡眠) 算法相比，MAPPO - 邻近策略在低流量小时内减少了约 8.7% 的功耗，在高流量小时内提高了约 19% 的能源效率。

Feb, 2024

本研究提出了一种新的方法，利用设备级缓存和双模基站能力，通过动态匹配游戏来最小化切换故障，减少互频信号测量能量消耗，在新型密集异构网络中提供无缝移动性。

Jan, 2017

本文介绍了第五代（5G）射频技术，以及第三代伙伴关系项目（3GPP）新射频规范，提供了用于显著降低下一代网络能耗和温室气体排放的工具。重点介绍了能够实现能效的关键技术，例如大规模多输入多输出（MIMO），轻载波设计和先进的空闲模式，探讨了其在能源消耗方面的最佳操作点和理论折衷。最后，讨论了未来网络需要更多努力实现绿色网络的研究领域。

Jan, 2021

本文研究了一种上行毫米波大规模多输入多输出系统的能量效率最大化问题，应用非正交多址访问技术和混合模拟数字波束成形方案，并提出了一种功率分配算法，同时利用基站的全局信息进行改进，数值结果表明，与传统正交多址访问技术相比，所提出的非正交多址访问技术实现了更优越的能量效率。

Mar, 2019

本文利用随机几何工具来模拟未来的蜂窝网络，并得出了一种新的上行谱效率下界，从而能够建立一个可行的上行能量效率最大化问题，并针对基站密度、发射功率水平、基站天线数和每个小区用户数以及导频重用因子进行解析求解。结果表明，在小型蜂窝的情况下，多天线的大规模 MIMO 策略可以实现最大能量效率。

May, 2015

本文提出了一种基于 Lyapunov 优化和多臂赌博理论的用户为中心、能源感知的移动性管理 (EMM) 方案，以优化因无线电接入和计算引起的延迟，并保证用户能源消耗的长期限制。此方案通过在线方式工作，可以有效处理不完整的系统状态信息和随机开关候选基站的情况，实现接近最优的时延性能和满足用户能源消耗的约束条件。

Sep, 2017

基于深度学习的无监督式深度学习的联合功率分配和波束形成设计方案可以提高频谱效率，并且相较于传统方法具有较高的计算效率。

Jun, 2024

通过提出一种名为 NNBF 的无监督深度学习框架，该研究旨在设计上行接收多用户单输入多输出（MU-SIMO）波束成形，以增强吞吐量并提供计算效率高于传统方法的解决方案。实验结果表明，NNBF 相对于零强制波束成形（ZFBF）和最小均方误差（MMSE）均衡器这两种基准方法在性能上表现出更好的表现，并且能够根据单天线用户设备（UEs）的数量进行扩展而无需进行矩阵伪逆运算，而基准方法则具有显著的计算负担。

Sep, 2023

本文提出两种算法用以解决多用户 MISO-NOMA 系统下基于全局能量效率最大化的下行波束成形问题，证明相比传统方法提供更高的能量效率。

Feb, 2019