- 基于学习的多体系模型用于多尺度流动问题
通过引入学习的多连续介质模型，提出了一种新颖的方法来改进多尺度问题中单连续介质模型的准确性，并通过涉及线性和非线性流方程的数值实验明显改善了模拟结果。
- 利用高效控制方案，对工业微电网中一个连接的电动车网格进行频率一次调节的事态分析
使用 “车辆 - 电网” 技术，电动汽车能够在工业微电网中以双向电流的方式提供可靠的频率调节支持，同时模拟结果表明，增加车辆数量可以进一步增强工业微电网的频率控制能力。
- 基于深度学习的用于增强反射面辅助的 ISAC 系统信道估计
提出了一个深度学习框架来解决基于反射式智能表面的集成感知与通信系统中的信道估计问题，模拟结果表明这种方法比基准方案在不同信噪比条件和系统参数下具有优势。
- 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 - 5G 定位技术的人工智能 / 机器学习进展
该研究综述了基于人工智能 / 机器学习的直接定位在 5G 系统中的应用，重点研究了其在常规方法难以应对的挑战性场景和条件下的潜力。结合技术报告 TR38.843 的见解，我们对与直接定位过程相关的生命周期管理进行了进一步研究。我们强调了在各 - 利用小波变换对深度学习的调制识别进行无线电信号增强
本文提出了一种使用离散小波变换分解的细节系数进行数据扩增，以生成新的样本并扩展训练集的方法，仿真结果表明我们的方法明显优于其他扩增方法。
- 安全线性赌臂机中的问题几何利用
通过利用特定问题设置的几何性质，我们为分离良好的问题实例和有限星凸集的行动集提供了改进的遗憾保证。此外，我们提出了一种新的算法，该算法在选择问题参数时自适应，并且至少与现有算法具有相同的遗憾保证。最后，我们引入了安全线性贝叶斯设定的一个概括 - 多无人机速度控制和避碰与切换意识的小区关联：具有行动分支的深度强化学习
本研究提出了一个深度强化学习解决方案，用于优化多无人机的小区关联决策以及它们在三维空中高速公路上的移动速度。该论文的目标是提高交通和通信性能，包括避免碰撞、连通性和切换。使用了分支决策网络结构，模拟结果显示相比现有基准提高了 18.32% - 基于 V2X 信息的深度强化学习协同控制
探究基于深度强化学习 (DRL) 的车队控制器的 V2X 通信价值，并研究信息拓扑下的最优决策问题 (SSDP)，通过条件 KL 散度计算信息的重要性并在模拟实验中进行了验证。
- 基于 P-MADDPG 的紧急事件决策
本文提出了一种用于应对紧急事件决策问题的 P-MADDPG 算法，模拟紧急情况下的三种场景测试其性能，结果证明相比于其他算法，P-MADDPG 算法在不同规模的场景中收敛更快更好，因此是有效的。
- MM带有错误通信链路的联邦学习
本文考虑了在存在通信误差的联邦学习问题，将设备与中央节点 (CN) 之间的链接建模为一个数据包抹除信道，证明了在通信障碍存在的情况下，当 CN 从某个设备没有接收到最新数据时，利用过去的本地更新的 FL 算法与没有任何通信障碍的 FL 算法 - MM利用人工智能缓解基于云的智能交通信号控制中的网络延迟影响
本文提出一种基于强化学习的新型交通信号控制算法，适用于基于云计算等远程计算资源的智能交通信号控制系统，可以有效应对网络延迟的影响，并经过不同场景的大量模拟实验验证了该算法的可行性。
- 自适应博弈理论决策在环形交叉口自动驾驶车辆控制中的应用
本文提出了一种基于博弈理论模型的决策算法，用于自动驾驶汽车控制来应对环形路口的交通。该算法可以通过在线估计对手车辆的驾驶模式来对其进行调整。
- 一种精确量子化的分散梯度下降算法
研究去中心化共识优化中量化对优化带来的影响，并提出了一种基于梯度下降的算法，证明算法在标准强凸和平滑假设下可实现消失的均值解误差，并通过模拟结果验证了理论收敛速度与实际结果的紧密一致性。
- 生成暗物质晕合并树：方法比较
该论文比较了多个基于 EPS（Press-Schechter）形式主义的 Merger Tree 算法与模拟结果。结果表明，Parkinson et al. 算法可以与从 N-body 模拟中提取的 Merger Tree 准确匹配，但是它 - 稀疏字典的精确恢复
本文介绍了一个多项式时间算法 ER-SpUD 来恢复使用稀疏矩阵的稀疏字典，证明了只需 O（nlog n）个样本即足以唯一确定系数矩阵，模拟结果表明 ER-SpUD 的恢复率优于当前众多算法