- 针对分层联合学习中的动态资源分配和客户端调度：一种两阶段深度强化学习方法
该研究提出了一种名为 “TP-DDPG” 的两阶段深度确定性策略梯度 (DDPG) 框架，用于平衡能量收集驱动的层次化联邦学习系统中的学习延迟和模型准确性。通过将优化决策分为两组，使用 DDPG 在第一阶段学习一组，同时将另一组解释为环境部 - 能量收集设备下的联邦学习：一种马尔可夫决策过程框架
应用能量收集技术改善边缘设备局部训练的能耗问题，使用结构增强的深度强化学习算法提高训练性能，并进行了实际数据集的实验证明了方法的有效性。
- 智能能量采集物联网网络的循环管理与唤醒技术
该研究提出了一种基于最近邻的根据空间和时间相关性管理 IoT 设备的有效循环管理方法，以延长电池寿命和减少能量不足情况，相较于随机循环基准，能够显著降低误检概率和能源消耗 50%。
- 基于分层深度强化学习的多无人机辅助无线供电动态通信设计
该研究提出了一种在多个无人机的辅助下，针对动态环境中的无线供能通信网络（WPCN）的新设计。通过引入新的基于双阈值的无线节点类型更新规则，以及多智能体深度强化学习（MAHDRL）框架，能有效解决航迹决策和能源传输与数据收集决策的优化问题。通 - 使用矢量同步在分布式无电池物联网中实施应用和能量感知的数据聚合
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 - 能源感知的联邦学习与分布式用户抽样和多通道 ALOHA
将能量收集设备集成到分布式学习网络中，采用多信道 ALOHA 方法，确保低能量中断率和未来任务的成功执行，并通过数值结果证明了该方法的有效性
- 无人机增强网络中的联邦学习：联合覆盖和收敛时间优化
通过统计无人机增强无线传感器网络的统计特性，并利用多目标多臂赌博机理论开发了一种模型和解决方案，以在最大化网络覆盖的同时最小化联邦学习延迟；此外，还提出了另一种解决方案，特别适用于具有严格能量约束的大动作集，在每轮中逐步消除一个或多个动作， - MM基于强化学习的能量收集 RSMA 无线空中通信和总速率最大化
本文介绍了一种考虑到能量收集和无线信道的自适应空中无线通信系统，并利用深度强化学习算法设计功率控制和波束成形策略，以最大化长期总和速率性能。
- 基于能源感知的早期退出实现可持续的边缘智能
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%。
- 基于 RIS 的 EH-NOMA 网络：一种深度强化学习方法
该论文提出一种基于能量收集的可重构智能表面帮助非正交多用户下行通信系统提高谱效率的新方法，使用深度学习算法解决由于用户通信状态的动态变化和可利用能源的动态变化影响的非凸问题，获得了比其他基准算法更好的通信成功率表现。
- 多智能体强化学习的协同智能反射面网络
本文提出了几种算法来最大化基站和用户之间通过能量采集协作 IRS 设备实现长期平均可实现系统速率，并考虑到时变信道和能量采集随机性，并改进了现有算法，以在减小行动空间的同时实现次优性能。模拟结果表明，所提出的算法可使数据传输速率提高 10. - AAAI移动健康自持穿戴设备的自适应能源管理
本文研究了可穿戴设备可持续运营的问题，提出了一种自适应能源管理算法 AdaEM，使用机器学习方法学习用户活动和能源使用模型，并用动态鲁棒优化 (DyRO) 来优化能源管理决策，实验数据表明 AdaEM 能够达到接近最优解的效果。
- 带能量收集的可扩展雾计算系统的动态网络切片
本文研究了雾计算系统，在其中云数据中心可以通过在广泛的地理区域部署大量的雾节点来补充。我们提出了动态网络切片的概念，其中区域编排器协调本地雾节点之间的工作负载分配，为支持具有一定服务质量（QoS）保证的特定类型的服务提供能源和计算资源的划分 - 能量收集和智能电网供电的无线通信网络建模与分析：当代综述
本文为未来无线网络与智能电网互操作的电能的利用、重新分配、交易和规划提出了一个当代的综述，重点是能源收获无线通信的约束操作和优化，以及在智能电网存在时，动态定价下的电能规划和电力交易中的冗余（未使用）电能的重新分配。
- 智能反射面辅助 MIMO 广播，用于同时进行无线信息和功率传输
本论文提出了一种智能反射表面 (IRS) 优化算法，应用于同时无线信息与能量传输 (SWIPT) 并发系统中，最大化信息接收者的加权和速率，同时保证能量接收者的能量需求。通过传输预编码（TPC）矩阵和被动相移矩阵的联合优化，采用经典的块坐标 - 基于强化学习的物联网系统中多接入控制和能量收集电池预测
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。
- 基于学习的能量收集 IoT 设备计算卸载
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 - 无线传感器网络中基于预测的数据降低调查
本研究分析并归类了旨在为无线传感器网络设计的基于预测的数据降低机制，并提出了一种基于网络约束、预测方法特性和监测数据的系统性选择方案。最后，我们讨论了未来挑战和开放研究方向。
- MM移动边缘计算中的动态计算卸载与能量收集设备
本文介绍了一种利用能量收集技术来为移动设备供电的绿色 MEC 系统，并开发了一种有效的计算卸载策略。从执行成本、执行延迟和任务失败三个角度，提出了 Lyapunov 优化的动态计算卸载（LODCO）算法，并在模拟中验证了其有效性和性能。
- 密集小型蜂窝网络中基于均场多臂赌博的能量收集物联网设备分布式小区划分方法
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。