本文研究了多服务器移动边缘计算系统中重叠领域的多用户卸载问题。我们将原始问题划分为两个阶段：卸载决策阶段和请求调度阶段。为了防止终端在卸载过程中超出服务范围，我们考虑终端的移动性参数，并根据人类行为模型进行卸载决策，然后引入基于移动性参数和服务器负载的服务器评估机制来选择最佳的卸载服务器。为了充分利用服务器资源，在调度卸载请求时，我们设计了基于双深度 Q 网络（DDQN）的回报评估算法，考虑任务的优先级。最后，进行数值模拟验证了我们提出的方法优于传统的数学计算方法和 DQN 算法。

Feb, 2024

面向新时代的人工智能 (AI) 网络，关注 AI 的环境影响引起了行业和学术界的关注。联邦学习 (FL) 作为一种关键的隐私保护的分散式 AI 技术已经出现。尽管目前在 FL 方面已经做了努力，但其环境影响仍是一个悬而未决的问题。为了实现 FL 过程的能量消耗最小化，我们提出了编排参与设备的计算和通信资源以同时保证模型的一定性能并最小化所需总能量的软演员批判深度强化学习 (DRL) 解决方案。在培训过程中引入了一项惩罚函数，对违反环境约束的策略进行惩罚，并确保安全 RL 过程。提出了一种设备级同步方法以及计算成本有效的 FL 环境，旨在进一步降低能量消耗和通信开销。评估结果显示所提出的方案在静态和动态环境下与四种最先进的基准方案相比的有效性，能降低总能量消耗高达 94%。

Aug, 2023

本文提出了一种基于联邦深度强化学习的算法，用于解决在 F-RAN 中动态计算卸载和资源分配问题，通过联邦学习，可以在保护用户隐私的同时，降低训练过程的计算复杂度，结果表明，该算法相对于其他现有策略，可以更快地实现更低的任务执行延迟和设备端能耗。

Jun, 2022

在分布式学习中，为了解决参数聚合带来的通信开销和单点故障问题，本论文研究了如何有效利用有限资源以提高模型性能。我们通过优化本地训练轮次的数量和节能聚合方案，提出了一个解决方案，该方案在不同设备上实现了更好的性能表现，并消耗比传统聚合方案更少的能量。

Mar, 2024

本研究提出并分析了一种基于联邦深度 Q 学习的负载均衡系统，该系统使用 Open-RAN xAPP 框架和近实时无线接口控制器 (near-RT RIC) 进行实现。模拟结果表明，与当前由用户设备使用的最大信噪比 (MAX-SINR) 方法相比，我们提出的深度 Q 学习模型能够持续提供更好的用户设备服务质量。

Feb, 2024

在 5G 移动通信时代，研究聚焦于无人机和移动边缘计算技术方面出现了显著增长。本研究提出了一种名为个性化联邦深度强化学习（PF-DRL）的新解决方案，用于多无人机轨迹优化。模拟结果表明，该算法具有更快的收敛速度和改善服务质量，优于其他基于深度强化学习的方法。

Sep, 2023

本文研究了无人机供应无线覆盖时的能源效率优化问题，提出了一种基于多智能体去中心化双重深度 Q 网络的算法，优化了每个无人机的三维航迹、连接用户数量和使用能源的协同优化，结果达到比现有基线方法提高 55% 至 80% 的能源效率。

Apr, 2022

本文提出了一种基于深度强化学习的下行功率分配方案，旨在最大化总网络吞吐量，该方案与传统的功率分配方案相比表现更好，在多小区场景中，通过深度 Q 学习方法实现近似最优功率分配策略，使用遗传算法作为基准来获得近似最优功率分配解。

Apr, 2019

本文旨在设计一种任务调度策略，以最小化所有任务的离线和计算延迟，同时满足无人机能源容量约束下的延迟导向物联网服务需求，并考虑到任务到达动态变化的情况，提出了基于风险敏感的强化学习算法来解决能耗风险约束下的决策问题。

Oct, 2020

本文提出一种边缘计算中使用强化学习来降低能耗和任务执行延迟的近似最优算法。

Mar, 2019