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

通过提出轻量级混合遗传算法来解决小型推理模型在边缘设备上动态分配推理任务以最大化推理准确度的问题，并与其他演化方法进行比较。

Feb, 2024

提出了一种联合优化算法，用于解决在边缘计算范式中对 AI 生成内容模型和卸载决策的优化问题，并通过实验证明所提算法在联合优化性能上优于基准方法。

Dec, 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

提出了一种基于生成模型的工业 AIGC 协同边缘学习框架，通过利用真实样本合成和基于边缘的优化功能，实现高效的少样本学习，包括多任务 AIGC 计算卸载模型和注意力增强的多智能体强化学习算法，最终实现了边缘化 AIGC 任务完成的系统延迟优化。

May, 2024

利用无人机辅助多智能体图卷积深度强化学习算法，实现车道上物联网设备最大化的用户体验，并在仿真中取得了良好的性能。

Feb, 2022

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

本文介绍了一种利用数据驱动的方案，优化联网车辆的驾驶路线，以保证信息时延的可信度，利用商用 LTE 网络测量车辆之间的连接延迟，建立连接车辆信息时延模型，在此基础上提出了一种基于 DQN 的算法来确定最优驾驶路线，结果表明该方法可以提高接口保持服务的 AoI 信心水平

Apr, 2020

在本文中，我们提出并评估了三种分布式遗传算法（GA）设计，用于雾计算中的资源优化问题，其设计基于 GA 在雾设备本身中的执行，以应对约束资源和设备广泛地理分布等特定问题。通过利用 NSGA-II 实施了基准案例，在优化雾服务部署问题的特定领域指导下，对这三种分布式设计进行了比较评估。结果表明，最低分布度的设计在保持目标空间集中存储的同时，实现了与传统方法相当的解决方案质量但产生了更高的网络负载。第二种设计完全分配了种群给工作节点，减少了网络开销，但在解决方案多样性方面表现较差，同时在优化目标最小化方面仍具有足够好的结果。最后，使用分布式种群且仅在相邻工作节点之间交换解决方案的提议实现了最低的网络负载，但解决方案质量受到了影响。

Jun, 2024

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