本文是一篇发表于《北科大：工程科学学报》2026年第2期的综述性论文，作者为李琳佩（北京科技大学计算机与通信学院/顺德创新学院）、张海君（北京科技大学河北省空天地智能通信重点实验室，通信作者）、孙春蕾、管婉青（北京科技大学计算机与通信学院）和张美杰（北京科技大学机械工程学院）。论文的标题为《面向6G的空天地一体化网络：人工智能赋能优化机制研究》，英文题为“Artificial Intelligence-enabled Optimization Mechanisms for Space-Air-Ground Integrated Networks in 6G”。该文系统性地回顾并展望了人工智能技术在第六代移动通信系统背景下空天地一体化网络优化中的应用，旨在为相关领域的研究提供技术参考和发展方向。

文章首先阐明了研究的背景与动因。随着第六代移动通信系统的发展，空天地一体化网络因其能够实现卫星、空中平台与地面系统的无缝互联，被视为6G网络的关键架构，在应急通信、环境监测、智能交通等领域潜力巨大。然而，SAGIN网络具有异构结构、链路动态性高、资源分布广泛等固有特征，这些特征给网络的高效管理与优化带来了巨大挑战。传统的基于规则和模型驱动的方法，在适应性、计算效率和应对大规模时变场景方面存在局限。与此同时，人工智能技术凭借其强大的感知、学习与自主决策能力，为通信网络的智能化演进提供了新契机。因此，本文的核心目标是系统梳理AI技术与SAGIN融合的研究现状，探讨AI在解决SAGIN关键优化问题中的应用机制，并指出未来的挑战与发展方向。

论文的核心内容围绕以下几个主要观点展开：

第一，清晰阐述了SAGIN的三层网络架构及其关键特征。 文章将空天地一体化网络从空间维度上划分为天基、空基和地基三个层次。天基层主要由地球同步轨道卫星、中地球轨道卫星和近地球轨道卫星组成，承担全球覆盖、骨干中继和导航增强等任务。空基层作为连接天基与地基的桥梁，主要包括高空平台和无人机，其特点是部署灵活、可快速响应，用于提供区域性的临时或增强通信服务。地基层则由传统的地面通信网络构成，包括终端设备、基站、边缘计算节点和核心网，是网络算力与控制的基石。文章指出，SAGIN的核心挑战源于其“高度动态的拓扑、异构的网络结构、广泛的资源分布和不均衡的链路质量”，这为后续引入AI技术进行优化做了铺垫。

第二，系统梳理了适用于SAGIN优化的主流人工智能技术体系及其适配优势。 论文并非泛泛而谈AI，而是有针对性地介绍了机器学习、神经网络和强化学习三大技术方向下的关键子类。在机器学习部分，重点突出了联邦学习和生成式人工智能。联邦学习因其分布式训练、保护数据隐私的特性，非常适合SAGIN中节点异构、数据敏感的场景。生成式AI则因其强大的内容生成和理解能力，为网络的状态建模、策略生成和意图驱动控制提供了新范式。在神经网络部分，着重介绍了图神经网络和时间序列建模。图神经网络能够有效处理SAGIN中卫星、无人机、地面基站等节点构成的动态图结构，捕获节点间的空间依赖关系，适用于拓扑推理和关系建模。时间序列建模技术则擅长处理信道状态、节点轨迹等随时间变化的数据，为网络预测和调度提供支撑，文中列举了循环神经网络、长短期记忆网络、门控循环单元和Transformer等模型。在强化学习部分，深度强化学习和多智能体强化学习被作为重点。深度强化学习结合了深度学习的感知能力和强化学习的决策能力，适用于在不确定环境中通过试错学习最优策略。多智能体强化学习则进一步拓展到多智能体协作与竞争场景，非常适合建模SAGIN中跨层、跨域的多节点协同决策问题。

第三，深入探讨了AI技术在SAGIN四大典型优化场景中的应用与最新研究进展。 这是论文最为详实的部分，作者通过梳理大量文献，构建了AI赋能SAGIN的应用图谱。 1. 在资源智能管理方面，AI被用于解决频谱、功率等物理资源的动态分配，以及网络切片与虚拟资源的智能编排。例如，有研究利用长短期记忆网络进行频谱需求预测，结合迁移学习优化分配策略；有工作采用深度Q网络或深度确定性策略梯度等深度强化学习算法，联合优化波束成形、功率分配和用户调度；还有研究利用多智能体强化学习框架，协调多个智能体（如不同无人机或卫星）进行频谱共享和干扰协调。在网络切片方面，AI技术用于根据预测的业务流量动态调整切片资源，或通过分层多智能体算法实现端到端的通信与计算资源分配。 2. 在移动性管理与路由优化方面，AI用于应对节点高速移动导致的频繁切换和动态路由问题。例如，利用深度Q网络或优势演员-评论家算法为地面用户选择最优的接入点（卫星或地面网络），或为低轨卫星网络中的连接预选服务卫星以实现平滑切换。在路由优化中，深度强化学习被用于实现去中心化的负载均衡路由，以降低时延和丢包率；图神经网络则被用于支持多路径路由中的动态流拆分，以提升网络效率。 3. 在空中平台路径规划方面，AI用于在复杂约束下优化无人机或高空平台的飞行轨迹。研究涉及单无人机和多无人机场景，优化目标包括通信覆盖率、信息新鲜度、任务完成时间以及防碰撞等。采用的技术包括结合长短期记忆网络预测连接质量的多智能体强化学习、基于生成式AI与深度强化学习融合的轨迹预测与适应框架、以及专门设计的神经网络算法来解决无人机集群的协同路径规划与碰撞避免问题。 4. 在任务卸载与计算协同方面，AI用于在SAGIN多层计算节点间智能决策任务卸载位置和分配计算资源。研究场景包括地面用户向空中或卫星平台卸载任务、无人机收集任务后决策在本地处理或卸载至其他节点等。采用的技术涵盖多智能体强化学习、分布式深度强化学习、结合图神经网络的特征提取方法以及联邦学习框架，旨在联合优化卸载决策、资源分配，以最小化系统成本、时延或能耗，并保障任务公平性。

第四，前瞻性地指出了AI与SAGIN融合未来面临的挑战与发展方向。 论文在总结应用成果后，并未回避当前存在的瓶颈问题。主要挑战包括：在资源受限条件下实现AI模型的高效部署、在高度动态环境中确保学习的鲁棒性、保障跨域数据的安全与隐私、以及建立可信与可解释的AI机制。针对这些挑战，文章展望了未来的研究方向：一是构建“感知–决策–协同一体化智能体系”，实现从多源信息感知到自主策略生成再到跨域协同执行的闭环；二是发展联邦与分布式智能，进一步打破数据孤岛；三是探索意图驱动的自主网络控制，让网络能够理解并执行高级别业务意图；四是推动大模型与跨层跨域优化框架的深度结合；五是迈向认知与语义通信新范式，使网络从单纯的数据传输转向知识交互。

最后，该论文的学术价值与实践意义显著。 从学术价值看，本文首次在中文期刊上对“AI赋能SAGIN”这一前沿交叉领域进行了系统性的综述与展望，清晰梳理了技术脉络、应用场景和研究进展，为国内学者提供了全面的技术参考和研究索引。文章构建的分析框架（从网络架构、AI技术到具体应用）具有很好的逻辑性和概括性。从实践意义看，论文所指出的AI解决方案直接针对SAGIN网络构建与运营中的核心痛点，如动态资源管理、智能路由、自主协同等，对于推动6G愿景下全球无缝、智能、可靠的空天地一体化通信生态系统的实现具有重要的指导意义。论文不仅总结了现状，更指明了挑战与未来趋势，激发了该领域后续的研究思路，例如一体化智能体系、可信AI、语义通信等方向，具有前瞻性和启发性。