无线网络资源分配是设计物联网等系统的一个重要问题。在本文中,我们考虑无线网络容量优化的问题,其中涉及流量分配,链路调度和能量控制等问题相耦合,且其复杂性随网络规模呈指数增长。为了求解这种大规模优化问题,传统方法通常采用启发式算法或迭代算法来进行求解,这些算法通常都只能得到次优解,或者算法需要较长的收敛时间,在动态流量需求下会导致传输延迟或性能下降。与大多数传统的迭代搜索最优解的方法不同,本文直接基于机器学习计算近似解,提出了一种基于独立集学习的传输调度优化算法,同时提出了一种基于学习的网络传输调度与能量控制协同优化,从而实现无线网络容量优化。本文的主要工作如下:1.介绍了无线网络容量优化问题的研究背景和挑战,并对其相关的资源分配问题进行了分析。针对在保持性能的前提下提高大规模优化问题求解速度的难题,介绍了研究现状并指出当前研究工作中的不足。2.针对无线网络容量优化问题模型建立部分提出问题分解,证明该问题可以分解为一个线性规划问题和一个用于能量分配的非线性加权速率和最大化问题。3.提出了基于独立集学习的传输调度优化算法。由于无线网络中最优资源分配的问题通常集中在网络独立集的调度问题上,针对同一传输需求下独立集之间的内在关系,我们提出了独立集组合的概念。随后设计了独立集组合的评价指标,使用深度置信网络学习独立集组合,并在流量传输需求下计算独立集组合的评分。仿真结果表明,基于深度置信网络的学习方法在提升网络容量以及计算时间方面均优于迭代的传统算法。4.提出了一种基于学习的网络传输调度与能量控制协同优化。提出了由支持向量机和深度置信网络构成的机器学习框架。当能量取值为连续值时,先使用支持向量机进行分类,进一步使用深度置信网络计算精确值,将分类及预测结果加权求和,最终得到非线性规划子问题的近似解。仿真结果验证了所提出的基于机器学习的算法的有效性。5.我们对本文的研究工作进行了总结及展望。