Restless bandits to fundamentalny problem optymalizacji sekwencyjnej, gdzie musimy wybierać między kilkoma opcjami (kanałami), które zmieniają swój stan niezależnie od naszych decyzji. W tym przypadku autorzy badają wariant ze stanami binarnymi i wadliwą obserwacją zwrotną — dokładnie taką sytuację spotykamy w radio kognitywnym, gdzie czujniki mogą się mylić. Ich głównym wkładem jest nowa analytical framework oparta na prawach konserwacji (PCL), która umożliwia obliczenie optymalnego polityka indeksowania (Whittle index).
Dotychczasowe podejścia do tego problemu były albo trudne do zweryfikowania analitycznie, albo działały tylko w bardzo ograniczonych wariantach parametrów. Nowe ramy wykorzystują deterministic skeleton dynamiki stochastycznej, teorię słów i dekompozyty odnowienia, aby uzyskać zamknięte rozwiązania w kilku reżimach progowych. Dla bardziej skomplikowanych przypadków opracowano efektywne algorytmy numeryczne.
Wielkie znaczenie ma praktyczne sprawdzenie — testy numeryczne wykazały, że proponowana polityka marginal productivity (MP) indeksu działa znacznie lepiej niż klasyczne benchmarki, często o margin kilkadziesiąt procent. To sugeruje, że teoretyczne warunki indeksowania prawdopodobnie zachodzą szerzej niż formalnie udowodniono w pracy. Wynik ma bezpośrednie zastosowania w problemach alokacji zasobów, dostępu do spektrum i innych dynamicznych problemach decyzyjnych.