- 利用图神经网络和深度算法展开实现高效的功率分配
研究单跳自组织无线网络中最优功率分配问题，使用基于图神经网络的混合神经体系结构，提出了一种展开 WMMSE 算法（UWMMSE），它的可学习权重通过多个功率分配问题的基于梯度的下降方法来训练，达到可比较 WMMSE 的性能并显著降低计算复杂 - MM免费隐私保护：通过自适应功率控制的无编码传输进行无线联邦学习
本文研究了在无码传输方式下，信噪比（SNR）大于一定的阈值时，隐私限制测量通过差分隐私（DP）实现隐私保护，而不影响学习表现。同时研究了自适应功率分配（PA）和多址接入（OMA）和非正交多址接入（NOMA）传输等无线 Federated L - 使用在线竞争力和学习的 NOMA 在 5G 网络及其它领域中的大规模物联网接入
本文研究了超出 5G 基于蜂窝的物联网网络中在线用户分组、调度和功率分配的问题。采用非正交多址接入方法来容纳多个设备在相同的无线电资源块中。作者提出了高效的在线竞争算法，并演示了如何在强化学习设置中使用这些在线算法并组合它们的解来获得功能强 - MM多波束卫星系统中动态能效功率分配
本文研究了一种新的能量感知的功率分配问题，旨在通过多目标优化共同最小化未满足的系统容量（USC）和总辐射功率。为了实现合理的复杂度，我们设计了连续凸逼近（SCA）算法，使原问题转化为等效的非凸可微问题。此算法适合于新兴的机载处理技术中的动态 - MM边缘感知力分配下的机器智能
本文提出了以学习为驱动的场景中的学习中心功率分配算法 (LCPA)，该算法采用经验分类误差模型和不确定性采样方法，以最大化学习性能而非通信吞吐量来进行功率分配，通过大规模优化算法得出高效计算的结果。
- 非正交多路接入中的最优子载波和功率分配是强 NP-Hard 问题
本论文研究了多载波 NOMA 系统中，联合子载波和功率分配问题的计算复杂性，证明这些问题对于一大类目标函数即加权广义平均值是强 NP 难问题，然而，我们展示了一些易于处理的特殊情况，表明它们可以有效地求解。
- MM缓存辅助的 NOMA 系统中的功率分配：优化与深度强化学习方法
本文研究使用缓存和非正交多址接入技术进行系统优化及功率分配问题，并提出了两种方法，一种基于分治策略，另一种使用深度强化学习算法，通过仿真实验验证了这两种方法的有效性和性能。
- MM毫米波用户分组非正交多址接入系统中的功率分配和混合波束成形
本文研究非正交多址接入在毫米波通信（mmWave-NOMA）中的应用。通过用户间信道相关性进行用户分组，进而提出联合设计混合波束成形与功率分配方法以最大化可达到的总速率。模拟结果表明，该方法在可达到的总速率和能量效率方面优于现有方案和常规的 - 一个用于多小区网络下行功率分配的深度 Q 学习方法
本文提出了一种基于深度强化学习的下行功率分配方案，旨在最大化总网络吞吐量，该方案与传统的功率分配方案相比表现更好，在多小区场景中，通过深度 Q 学习方法实现近似最优功率分配策略，使用遗传算法作为基准来获得近似最优功率分配解。
- 上行混合 NOMA-OMA 系统中联合用户 - 资源块关联与功率分配的能效优化
本论文考虑在正交多址接入（OMA）中集成非正交多址接入（NOMA）实现上行混合系统的能效资源分配问题。通过优化用户聚类，信道分配和功率分配，共同制定能源效率最大化问题。通过构建从用户到资源块（RB）的多对一二分图，提出了一种联合用户 - R - MM上行毫米波大规模 MIMO 中的能效功率分配与 NOMA
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 - 基于卷积神经网络的异构网络子信道和功率分配的能效优化
本文旨在解决异构网络在 5G 系统中网络流量爆炸的问题，提出了一个新的基于卷积神经网络的子信道和功率分配算法，以最大化 EE 性能，与传统迭代方法相比，运行时间低至 6.76％仍能达到全局最优解。
- 多用户蜂窝网络中的功率分配策略 —— 基于深度 Q 学习方法
本文研究了基于模型驱动的电力分配算法在具有干扰多接入信道（IMAC）的无线蜂窝网络中的应用。通过深度强化学习（DRL）的两步训练框架，采用深度 Q 网络（DQN）和深度 Q 学习算法（DQL）从离线学习中获得指定数据集，而对于在线学习过程中 - 无线供能物联网网络中的资源分配
本文探讨了无线供电物联网网络上行传输的有效资源分配问题，选取 LoRa 技术作为物联网网络的例子，通过用户分组和功率分配达到提高网络吞吐量的目的；通过提出的 ECAA 方法和功率分配算法，实现了在用户本地分配通道访问和动态功率分配；通过数值 - MM分布式联邦学习用于超可靠低延迟车联网通信
研究车联网中的超可靠低延迟通信的联合功率和资源分配（JPRA），提出一种基于联邦学习和 Lyapunov 优化的分布式方法来估计最大排队时间的极值事件，结果显示此方法可显著减少功耗和大队列长度的用户。
- 超可靠低延迟 V2V 通信的联邦学习
本文提出了一种新颖的联合传输功率和资源分配方法，旨在实现在车联网中实现超可靠低延迟通信（URLLC），方法采用极端值理论来定义可靠性指标，并利用联邦学习技术，在保证车辆用户（VUEs）的高可靠性的情况下，最小化 VUEs 的网络广泛功耗。
- 5G 毫米波通信中非正交多址 (NOMA) 的联合功率分配和波束成形
本文提出了将非正交多址接入和毫米波通信相结合的方法，并研究了使用波束成型和功率分配的方法来实现最大化系统总速率。经过大量的性能评估，结果表明，该方法的性能接近于理论上的最优解，并明显优于时分多址的结果。
- 多小区 NOMA 中基于负载耦合的资源优化
本文研究非正交多址（NOMA）在多小区场景下的性能优化，提出了一种算法用于全局最优的功率分配、用户配对以及时频资源分配问题的求解，并在数值实验中验证了 NOMA 在资源利用和负载均衡方面的性能表现。
- 下行非正交多址系统中的最优功率分配
本文研究了多信道下行 NOMA 系统的资源分配问题，分别考虑了最小最大公平性、加权和速率最大化、带服务质量约束的速率最大化、能量效率最大化和带权重或服务质量约束的情况，并考虑了用户功率上的约束和影响，提出了相应的功率分配和信道分配的优化方案 - 学习优化：训练深度神经网络用于 无线资源管理
本文提出了一种基于深度神经网络的学习算法来近似数值优化算法，在无线资源管理的应用中，此算法可以在几乎实时完成资源分配，大大提高了计算效率。同时，本文也在理论和实践两方面讨论了基于深度神经网络的算法逼近，并在实现方面用大量数值模拟来证明该算法