本文提出了一种在车辆边缘计算系统中使用多个任务副本进行任务卸载，以减少任务卸载延迟的学习算法，并通过实验展示了该算法的良好性能。

Feb, 2020

本文回顾了 Vefn 中任务卸载的现有技术，并阐述了车辆的高移动性既是时限约束的障碍，也可助于延迟表现。文章进一步探讨了机器学习和编码计算作为关键的支持技术，并提供案例以演示如何在变化的 Vefn 环境中适应学习算法，并利用车辆的移动性来实现任务卸载和任务复制。

Feb, 2019

提出了一个基于深度强化学习的知识驱动服务卸载决策框架，用于解决车辆互联网中多任务服务的卸载问题，并使用仿真实验证明此框架具有快速收敛、适应环境变化和优于贪心算法的性能优势。

Dec, 2018

本文提出了一种数字孪生（DT）辅助的任务卸载框架，用于移动边缘计算卸载策略的优化，基于预测未来计算任务的学习方案，将卸载调度过程建模为马尔可夫决策过程（MDP），以在延迟、能耗和云租用成本之间平衡，以获得最优卸载策略。

Dec, 2021

人工智能和深度神经网络在车辆网络生态系统中的快速发展引入了计算密集型任务，对单个车辆的计算资源需求超过其能力，为解决这一挑战，车辆边缘计算作为一个解决方案应运而生，通过车辆间 / 基础设施之间的通信资源池提供深度神经网络任务的计算服务，本文将 VEC 中的 DNN 划分、任务卸载和资源分配问题建模为动态长期优化问题，目标是在时间上保证系统稳定的同时尽量减少 DNN 任务的完成时间，首先利用 Lyapunov 优化技术将原始的长期优化问题与稳定约束解耦成每个时隙的确定性问题，然后提出了一种基于 Multi-Agent Diffusion-based Deep Reinforcement Learning (MAD2RL) 算法，通过创新性地使用扩散模型来确定最优的 DNN 划分和任务卸载决策，在 MAD2RL 中还将凸优化技术作为子程序加以整合来分配计算资源，提高学习效率，通过对真实世界车辆移动轨迹的模拟，我们证明了我们所提出的算法相对于现有的基准解决方案具有更优越的性能。

Jun, 2024

本文提出一种基于人工智能的协同计算方法，通过将任务分配和调度算法与决策流程相结合，实现车辆网络中任务的外包与协同计算，进而减少计算服务延迟，提高服务可靠性，并实现服务成本最小化。在复杂的城市交通网络中，基于提出的协同计算方法，仿真结果表明该方法适应高度动态环境且性能表现优异。

Oct, 2020

通过使用集成通信、感知和计算的模式，该研究论文探讨了一种以任务卸载为基础的问题，旨在通过优化计算模式和网络资源，降低资源消耗的成本，并确保每个任务的延迟。为了解决该挑战，提出了一种创造性的基于结构知识的元学习方法，采用了 LSTM 神经网络以替代手工设计的卸载算法。

Feb, 2024

车辆边缘计算通过执行本地任务或将任务卸载到附近边缘设备来实现高强度任务处理，而可重构智能表面则通过灵活调整相位来提供替代通信路径。本文提出了一个新的深度强化学习框架，结合修改后的多智能体深度确定性策略梯度（MADDPG）方法和块坐标下降（BCD）算法，用于优化车辆用户（VUs）的功率分配和可重构智能表面的相位调整，在模拟结果中表现出优于集中式深度确定性策略梯度（DDPG）方案和随机方案的性能。

Jun, 2024

因为传统的车联网在上传到云处理中会有延迟，所以为了解决这一问题并提高系统性能，引入了边缘计算，在此基础上采用联邦学习，其中异步联邦学习则采用深度强化学习作为车辆的选择问题模型，模拟结果表明有效提高了全局模型聚合的准确性。

Apr, 2023

本文旨在研究如何实现计算任务从移动代理转移，其提出了一种基于分散决策的机制来促使代理间在博弈与合作之间平衡。为此，该文设计了一个新的多代理在线学习算法，并通过 V2X 应用的模拟得出了良好的收敛性和泛化性能。

Jul, 2022