我们提出了一种基于强化学习的计算卸载解决方案，它可以在考虑首选深度学习模型选择技术的情况下学习最佳卸载策略，以最小化响应时间同时提供足够的准确性，我们的解决方案在 AWS 和 ARM 核心配置的多个实现中提供 35％的加速，并且最少仅有 0.9％的准确性降低，展示了我们在线学习框架在边缘计算及联云系统中编配深度学习推理的潜力。

Feb, 2022

基于深度强化学习和边缘计算的优化控制系统，通过云边协同合作，在边缘部署轻量级策略网络，预测系统状态，以高频输出控制，实现对工业目标的监控和优化，并设计了动态资源分配机制，确保边缘计算资源的合理调度，实现全局优化，证明了该方法减少了云边通信延迟，加速对异常情况的响应，降低系统故障率，延长设备平均运行时间，节省了人工维护和更换的成本，从而确保了实时和稳定的控制。

Feb, 2024

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

本文研究了工业物联网网络中协作深度神经网络推理问题，提出了一种基于深度强化学习的算法，将动态配置物联网设备的采样率、推理任务卸载和边缘计算资源分配共同考虑，通过转化为马尔可夫决策过程来最小化服务延迟并保证准确性。

Dec, 2022

基于深度学习和强化学习的大规模云计算系统自动任务调度方案的研究和验证。

Feb, 2024

研究提出一种基于深度强化学习的层次化框架，用于云计算系统中的资源分配和电源管理问题，采用自动编码器和权重共享结构，以解决高维状态空间问题，采用 LSTM 建模工作负载预测，并采用分布式方式操作的无模型 RL 电源管理器处理本地部分问题。

Mar, 2017

我们提出了一个利用深度强化学习技术的按需解决方案，通过在运行时使用 Docker 容器部署新的客户端，以解决动态和移动环境中的数据可用性和客户端选择的挑战。我们的架构能够适应环境变化，并对按需请求做出响应，从而提高客户端的可用性、能力、准确性和学习效率，超越启发式和表格型强化学习解决方案。

May, 2024

本文提出了一种基于深度强化学习的在线边缘计算离线策略，在自适应调整参数的基础上有效减少了计算时间，提高了计算性能。

Aug, 2018

本文介绍了动态平衡策略，旨在在云端和边缘节点之间进行数据交换并学习最有效的资源管理策略，以最大程度地减少学习过程的开销，同时尽可能地提高用户的服务质量。

Nov, 2022

本文介绍了计算与网络融合的概念，提出了基于强化学习的计算与网络编排方法，通过实验显示该方法可以比贪婪算法、随机选择和均衡资源算法实现更高的利润和更低的延迟，并证明了强化学习在计算与网络编排上的适用性。

Sep, 2022