本论文提出了一种考虑到异构的移动云计算 / 移动边缘计算环境的数字孪生系统模型以及一个新的基于分布式深度学习的卸载方案，并通过实验结果证明了该算法相对于动态数字孪生系统中的基线具有较好的降低系统平均延迟和能耗的效果。

Jul, 2023

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

本文提出了一种新的数字孪生网络（DTN）模型来帮助 IIoT 系统中的网络拓扑和随机任务到达模型，进而将随机计算卸载和资源分配问题转化为 Lyapunov 优化问题，并使用异步 Actor-Critic 算法来找到最优的随机计算卸载策略和提高能源效率。研究结果表明，该方案显著优于基准。

Nov, 2020

本论文针对汽车间的计算任务卸载环境动态不确定的挑战，提出了一种基于自适应学习的任务卸载算法，在多臂赌博理论基础上，利用邻近车辆的卸载延迟性能进行学习并且能够适应动态环境，实现了分布式协作的任务卸载，并证明了具有子线性的学习遗憾。在综合考虑各种不确定性的条件下，实验结果表明，相比现有的以置信上限为基础的学习算法，该算法使任务卸载延迟性能更优，平均延迟降低了高达 30%。

Jan, 2019

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

本研究提出了一种针对资源受限型机器人的重要问题：如何在提高精度和减少云端通信成本之间进行权衡，在机器人不确定时何时和如何卸载任务，使用深度强化学习的解决方案可以显著改善任务性能和减少通信成本。

Feb, 2019

通过在车辆和路边单元之间进行计算任务卸载，车联网中的边缘计算可以减轻车载计算负担。本文提出了一种基于知识驱动的多智能体强化学习方法来降低虚拟空间中基于边缘计算的车联网任务卸载的延迟，通过利用图神经网络整合图结构通信拓扑和置换不变性的领域知识，提高了回报并显示了改进的可扩展性。

Aug, 2023

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

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

我们提出了一种基于深度强化学习和数字孪生技术的新型微服务卸载算法 DTDRLMO，该算法利用数字孪生技术实时预测和适应协作边缘计算环境的负载和网络条件，从而为每个微服务选择最合适的边缘节点，优化服务完成时间。在真实和合成数据集上的模拟结果表明 DTDRLMO 在平均服务完成时间方面优于启发式和基于学习的方法。

Mar, 2024