方凱 Kai Fang华南理工大学 · 电子信息硕士
研究智能决策，
把想法做成工具。
我研究图学习、时空预测与动态网络决策，也构建语音 Agent、知识管理工具与开源仿真系统。
图强化学习无人机网络AI Agents
精选作品
从语音交互到网络仿真，
用具体的系统检验想法。
研究方向
从具体问题出发，
连接算法、实验与可验证的效果。
图强化学习与动态决策
- 问题
- 无人机持续移动、链路易断，路由还需应对队列拥塞与不可信节点。
- 算法
- GTR 用 GATv2 与轨迹编码表征拓扑和转发历史，以 PPO 和两阶段奖励学习下一跳；TRI-FRL 结合三态信任推断与信誉加权联邦聚合。
- 效果
- GTR 用 20 节点训练，迁移评测至 30—60 节点。TRI-FRL 在 30 节点、5 种子、10%—40% 恶意占比下，相对 FRL w/o Trust 平均吞吐量 +60.67%、时延 −32.35%。
时空预测与路径规划
- 问题
- 当前交通快照难以预见后续拥堵；稠密图注意力也会增加编码交互数量。
- 算法
- 用 FFT–GRU 时频双流、门控融合与动态图预测交通；规划侧结合邻接掩码图注意力和双向解码，以 REINFORCE 与 rollout baseline 训练。
- 效果
- 237 节点受控仿真中，对比当前快照 A* 与预测代价框架：路径成本 9.560→9.431，拥堵节点占比 8.18%→7.43%。编码器成对注意力交互数量减少 65.97%。
智能通信与资源优化
- 问题
- 在时延、算力和功率约束下，协调任务卸载与无线资源，兼顾安全通信容量和能耗。
- 算法
- RIS–MEC 研究使用多智能体 TD3，联合优化任务分割、阶段时长、功率、接收波束与 RIS 相移；分布式 RIS 研究采用三子问题交替优化、SCA 与 MM。
- 效果
- RIS–MEC 论文仿真中，安全卸载容量和能耗表现优于 MADDPG、单智能体 DDPG 等基线；分布式 RIS 联合优化相较论文基线获得更优系统和速率。
论文与研究
* 论文按署名与当前记录列示；已录用、在投和预印本分别标注。状态更新于 2026 年 10 月。
期刊指标：2025 JIF（2026 年发布）。
关于我
我是方凱，目前在华南理工大学电子与信息学院攻读电子信息硕士，所在实验室为空间感知与智能物流实验室，导师为唐杰。
我喜欢从具体问题出发，完成建模、算法实现和仿真验证；也喜欢构建能够亲自使用的产品。研究与工程相互启发，让想法有机会被检验、被改进。
2026 — NOW
华南理工大学 · 电子信息硕士
电子与信息学院 · 预计 2029 年毕业
2020 — 2024
华南理工大学 · 信息工程学士
2024 年优秀本科毕业论文 · 连续三年国家励志奖学金
一起交流研究与新想法。
欢迎交流研究、开源项目与 AI 应用。