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

本文提出了一种简化的车辆微观模拟方法，并使用深度强化学习优化了具有不同车辆组成的六个交通系统的控制策略，发现了类似于波浪消减、交通信号和匝道计量等的多种新行为，并分析了这些行为以获得可解释的控制策略。

Jul, 2022

本文提出了一个基于区块链安全的深度强化学习优化框架，用于分散的无线移动边缘计算网络中的数据管理和资源分配。我们设计了一种低延迟的基于声誉的股权证明共识协议，用于选择高可靠的区块链启用的基站，以安全存储移动边缘计算用户请求并防止数据篡改攻击。我们将移动边缘计算资源分配优化建模为一个约束的马尔可夫决策过程，以平衡最小处理延迟和拒绝服务概率。我们使用移动边缘计算汇总特征作为深度强化学习的输入，显著减少了剩余服务处理时间的高维输入。我们的设计的约束深度强化学习有效地获得适应动态拒绝服务要求的最佳资源分配。我们提供了大量的仿真结果和分析来验证我们的区块链安全的深度强化学习框架比基准区块链共识协议和移动边缘计算资源分配算法更具有更高的安全性、可靠性和资源利用率。

Dec, 2023

这项研究提出了一种结合联邦学习和区块链的实用方法，用于构建一个分散化的车辆网络，以解决互联车辆系统中的数据隐私和安全问题，并展示了相比常规的分散化联邦学习技术，该方法在车辆网络的性能和安全性方面显著提升。

Nov, 2023

自动驾驶车辆利用传感器捕捉车辆动力学信息，包括速度、加速度和精确位置，执行智能转向等操作以应对道路障碍。本文提出了一种新颖的基于深度学习的语义交通控制系统，使车辆能够自行处理驾驶决策，从而简化决策过程，并利用强化学习和深度 Q 学习算法来找到可行的解决方案。

Jun, 2024

使用 DRL 的 Wolpertinger 架构技术实现内容缓存管理，以优化网络缓存命中率，不需要先验知识，与 LRU、LFU、FIFO 策略相比，相应性能更好，且比 DQL 更为稳定和高效。

Dec, 2017

提出了一种基于深度强化学习的信号控制系统，该系统可以根据交通状况动态调整信号并使用重新路由技术平衡道路网络上的车辆，以帮助优化交通流的管理和减少拥堵。

Jun, 2022

本研究利用移动边缘计算构建区块链网络，使移动用户通过近距离的 MEC 服务器进行区块链的挖掘任务，通过强化学习算法实现优化解决任务离载和用户隐私保护。模拟结果表明，RL 离载方案可以显著提高用户隐私和减少能耗及计算延迟。

Aug, 2019

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

本文提出使用缓存算法和深度强化学习等技术，来解决铁路无线通信中，列车高速对信号传输产生的影响，从而提高服务体验质量和用户满意度。

Aug, 2022