本文旨在研究移动边缘计算卸载系统（MECO）中资源分配与压缩模型对系统延迟的影响，并通过数值模拟验证了不同模型的有效性。

Apr, 2017

在多用户移动边缘计算场景下，考虑延迟和可靠性约束，提出了一种概率约束方法，使用了极值理论来解决低概率事件的问题，旨在最小化计算和传输功率，并使用 Lyapunov 随机优化工具解决。模拟结果表明该方法的有效性，同时研究了不同计算强度所需的功率延迟权衡和计算资源。

Oct, 2017

本文提出了一种在线联合无线电和计算资源管理算法，用于多用户 MEC 系统，旨在最小化移动设备和 MEC 服务器的长期平均加权和功耗，同时满足任务缓冲稳定性约束。具体来说，我们在每个时隙中获取移动设备的最佳 CPU 周期频率，并使用 Gauss-Seidel 方法确定计算卸载的最佳传输功率和带宽分配；对于 MEC 服务器，推导出 CPU 核心的最佳频率和最佳 MEC 服务器调度决策。此外，提出了一个延迟改进机制来降低执行延迟。

Feb, 2017

本论文提出了一种基于极值理论的移动边缘计算系统设计，用于满足极其可靠的低延迟要求和减少用户能量消耗，同时考虑无线通道动态和服务器资源负载。论文提供了两种时间尺度的解决方案，即长时间尺度下的用户 - 服务器关联和短时间尺度下的动态任务卸载和资源分配策略，并通过仿真实验验证了该方法的有效性。

Dec, 2018

这篇论文提出了一种新颖的移动边缘计算 (MEC) 系统中的用户合作方法，既在计算方面，又在通信方面，以改善低延迟计算任务的能效。通过对部分和二进制卸载两种计算卸载模型的研究，并联合优化用户和助手的计算和通信资源，本研究提出的方案明显提高了用户和助手节点的计算能力和能源效率。

May, 2018

本研究论文介绍了移动边缘计算（MEC）的概念和应用，特别针对计算卸载的决策、计算资源分配、移动管理等三个关键领域的研究进行了详细的探讨，同时归纳了该领域的研究成果和未来需解决的开放性研究问题。

Feb, 2017

本研究介绍了移动边缘计算技术，该技术可以通过将计算任务从无线设备卸载至网络边缘，从而实现实时信息传输和计算。

Dec, 2017

移动设备上的用户体验受到有限的电池容量和处理能力的限制，但 6G 技术的进步正在迅速促使移动技术的演进。移动边缘计算（MEC）提供了一种解决方案，将计算密集型任务卸载到边缘云服务器，与本地处理相比减少了电池消耗。即将到来的移动通信的集成感知与通信可能改善轨迹预测和处理延迟。本研究提出了一种贪婪资源分配优化策略，用于多用户网络以最小化聚合能量使用。数值结果显示，每 1000 次迭代，潜在改进可达 33％。解决预测模型划分和速度精确性问题对于获得更好的结果至关重要。为即将到来的工作阶段详述了进一步改进和实现目标的计划。

Jun, 2024

本文提出了一种名为 OREO 的基于 Lyapunov 优化和 Gibbs 采样的在线算法，用于动态服务缓存和任务卸载，以应对 MEC 系统中的关键挑战，包括服务异构性、未知系统动态、空间需求耦合和分散协调，可有效降低终端用户的计算延迟并保持能源消耗低。

Jan, 2018

无线供电移动边缘计算系统中，采用一种新颖的多用户合作方案，通过动态形成协作群组来提高计算性能，并通过两种初始算法和深度学习方法进行优化和加速。

Jan, 2024