افزایش ترافیک داده و گسترش دستگاه‌های اینترنت اشیا، مصرف انرژی شبکه‌های ارتباطی را به چالشی جدی در مسیر توسعه پایدار تبدیل کرده است. در این شرایط، یادگیری ماشین به‌عنوان رویکردی مؤثر برای بهینه‌سازی مسیریابی و مدیریت منابع انرژی مطرح می‌شود و نقش مهمی در شبکه‌های هوشمند ایفا می‌کند. این مقاله مروری به بررسی رویکردهای یادگیری نظارت‌شده، بدون نظارت، تقویتی و یادگیری عمیق در حوزه‌هایی مانند شبکه‌های حسگر بی‌سیم، اینترنت اشیا، شبکه‌های نرم‌افزارمحور و فناوری‌های 5Gو6G می‌پردازد و یک طبقه‌بندی جدید برای مدیریت انرژی مبتنی بر ML ارائه می‌دهد.
در ادامه، شاخص‌هایی مانند بهره‌وری انرژی، تأخیر، توان عملیاتی و سربار محاسباتی تحلیل شده و چالش‌هایی همچون کمبود داده‌های استاندارد، پیچیدگی مدل‌ها و محدودیت تعمیم‌پذیری نتایج مطرح می‌شود. این مطالعه نشان می‌دهد که ترکیب یادگیری ماشین با اصول پایداری می‌تواند به توسعه شبکه‌هایی هوشمند و کم‌مصرف منجر شود. همچنین، مسیرهای پژوهشی آینده برای طراحی الگوریتم‌های مقیاس‌پذیر، قابل‌تبیین و سازگار با نیازهای شبکه‌های نوین پیشنهاد می‌گردد.