移动边缘计算在实时应用中对信息时效性的重要性提出了新的理解与优化方法，基于马尔可夫决策过程和深度强化学习，将偏知识利用与系统动态建模相结合的算法应用于此问题研究，结果表明算法在多种场景下优于其他基准算法。

Dec, 2023

移动边缘计算是一种有潜力的范式，用于实时应用程序，具有密集的计算需求（例如，自动驾驶），因为它可以减少处理延迟。本文关注计算密集型更新的及时性，通过信息时代（Age-of-Information）来衡量，并研究如何联合优化任务更新和离线策略以及分数形式的信息时代。我们提出了一个分数强化学习（RL）框架，并证明其收敛性。实验结果表明，与几个非分数基准相比，我们提出的算法将平均信息时代降低了高达 57.6％。

Dec, 2023

本文提出了一种基于可重构智能表面 (RIS) 的移动边缘计算 (MEC) 结合人工智能 (AI) 和机器学习 (ML) 的架构，在最大化学习性能的前提下，通过联合优化移动用户的传输功率、基站的波束成形向量和 RIS 的相移矩阵，以最小化参与用户的最大学习误差。仿真结果证明了部署 RIS 和采用本文算法相比各种基准算法均能显著提高性能，并且在基于 CARLA 平台和 SECOND 网络构建的统一通信 - 训练 - 推理平台上演示了应用于自动驾驶中的三维物体检测的案例。

Dec, 2020

应用深度强化学习算法，联合设计无人机的轨迹，以最小化信息的年龄，从而确保基站中接收到的信息是尽可能新鲜和准确的。相比基准方案，该算法平均可降低 25％的信息年龄，并需要少至 50％的能量。

Sep, 2022

本文提出了一种基于边缘智能的方案，通过优化资源分配和服务部署，实现在多用户移动边缘计算系统上的 AI 服务执行任务，模拟结果表明，该算法与最优解非常接近，同时也显著优于其他代表性基准算法。

Nov, 2020

该研究探讨了一种去中心化的传输策略，通过利用传感器传输过程和网络拥塞对信息年龄（AoI）的影响，结合基于粒子滤波和强化学习的方法，实现了多代理间的协同最小化预期的 AoI。

Dec, 2023

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

本文提出了一种在线联合无线电和计算资源管理算法，用于多用户 MEC 系统，旨在最小化移动设备和 MEC 服务器的长期平均加权和功耗，同时满足任务缓冲稳定性约束。具体来说，我们在每个时隙中获取移动设备的最佳 CPU 周期频率，并使用 Gauss-Seidel 方法确定计算卸载的最佳传输功率和带宽分配；对于 MEC 服务器，推导出 CPU 核心的最佳频率和最佳 MEC 服务器调度决策。此外，提出了一个延迟改进机制来降低执行延迟。

Feb, 2017

移动设备上的用户体验受到有限的电池容量和处理能力的限制，但 6G 技术的进步正在迅速促使移动技术的演进。移动边缘计算（MEC）提供了一种解决方案，将计算密集型任务卸载到边缘云服务器，与本地处理相比减少了电池消耗。即将到来的移动通信的集成感知与通信可能改善轨迹预测和处理延迟。本研究提出了一种贪婪资源分配优化策略，用于多用户网络以最小化聚合能量使用。数值结果显示，每 1000 次迭代，潜在改进可达 33％。解决预测模型划分和速度精确性问题对于获得更好的结果至关重要。为即将到来的工作阶段详述了进一步改进和实现目标的计划。

Jun, 2024

本文研究了实时云应用中基于 IoT 设备更新信息的计算任务调度问题，并提出了基于信息新鲜度和完成时间的调度策略，以及优化这两个指标的凸优化模型和在线算法。模拟实验显示了该算法相比于基线方法的显著改进。

Nov, 2018