本文提出了一种基于深度强化学习和马尔科夫决策过程的移动边缘计算系统中的任务卸载策略优化算法。实验结果表明，该算法相比基线策略有了显著的平均成本改善。

Mar, 2018

本文讨论了在移动网络中为实现计算任务的优化，如何通过最优计算分配策略，结合移动设备与 MEC 服务器的计算能力以及移动设备与基站之间的不同状态，达到最大化长期效益性能的效果，并利用 Q 函数分解技术与双深度 Q 网络相结合，实现了随机计算分配的学习算法。

May, 2018

本文探讨了一种分散式的深度强化学习方法来优化移动边缘计算系统中的任务卸载策略，并分析了功耗和延迟之间的权衡关系。结果表明，该方法比传统的深度 Q 网络方法以及其他贪心策略能够更有效地降低资源消耗成本。

Dec, 2018

在移动边缘计算领域，通过有效的计算任务卸载可以确保用户无缝的体验质量。本研究以马尔科夫决策过程为基础，提出了一种基于深度强化学习的去中心化 QoS 导向的计算任务卸载算法，通过充分利用边缘节点的计算资源，能够显著提高用户的体验质量。

Nov, 2023

本文研究无线网络中具备能量收割功能和多个 MEC 设备 (IoT) 的计算卸载，提出了基于强化学习的计算卸载框架，包括基于 Q-learning 的 hotbooting 计算卸载方案和基于 DQN 的快速计算卸载方案，针对不同的 MEC 场景给出了性能界限，并使用模拟结果验证算法效果。

Dec, 2017

本文通过使用图形强化学习的早期退出机制来解决移动边缘计算网络中的计算任务不确定性问题，提出了一个以最大化推理准确性和吞吐量为目标的计算任务卸载的优化问题，并在动态变化的场景下，通过实验结果表明了其优于 DROO 和 DROOE 的决策制定性能。

Oct, 2022

使用区块链和强化学习算法，探讨了移动边缘云计算系统中保证安全性和减轻计算负担的任务卸载问题。

Aug, 2019

近年来，移动应用程序的爆发性增长引起了人们的关注，但用户设备在处理计算需求方面存在局限性。移动边缘计算作为应对用户设备不断增长的计算需求的一项有前途的技术，通过在用户设备和移动边缘计算服务器之间分配任务来满足用户设备的需求。深度强化学习在任务卸载问题中受到关注，因为它能够适应动态变化并减少在线计算复杂性。然而，用户设备和移动边缘计算服务器上的各种连续和离散资源约束给有效基于深度强化学习的任务卸载策略的设计带来了挑战。我们提出了一种新颖的组合客户端 - 主控深度强化学习算法（CCM_MADRL_MEC），用于移动边缘计算中的任务卸载，使得用户设备能够决定其资源需求，并使服务器基于用户设备的需求做出组合决策。CCM_MADRL_MEC 是任务卸载中首个考虑服务器存储容量以及用户设备约束的多智能体深度强化学习算法。通过利用组合动作选择，CCM_MADRL_MEC 相对于现有的多智能体深度确定性策略梯度算法和启发式算法具有更好的收敛性。

Feb, 2024

我们提出了一种优化资源利用的技术，实现联合计算卸载以减少总计算和通信开销，并构建一个绿色环境。与基准方案相比，我们的技术将总系统成本减少了 37.03%。

Jan, 2024

通过设计的多目标 (深度) 强化学习 (MORL) 资源调度方案，结合了近端策略优化 (PPO) 方法以解决多目标边缘计算系统下未知偏好的问题，本研究在能源消耗与传输延迟最小化的前提下，通过多边缘 MEC 系统中多目标离线问题进行建模与解决。

Jul, 2023