本研究提出了一种使用强化学习解决最小化网络延迟和边缘服务器数量的问题的新 RL 框架，该问题涉及云计算、多接入边缘计算、组合优化问题和马尔可夫决策过程。

Feb, 2022

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

在本文中，我们提出了一种能够减少总时间消耗和移动设备能量消耗的能量感知资源管理策略，同时考虑到移动设备的能量限制，将问题重新架构为广义 Nash 平衡问题，分析了数据集卸载和计算资源分配对模型训练损失、时间和能量消耗的影响。

Jan, 2021

本研究针对动态多接入边缘计算网络中的 CNN 推理进行计算卸载的研究，提出了一种新颖的语义压缩方法 AECNN，通过自编码器构建的 CNN 架构，在部分卸载中进行有效的语义提取和压缩，并通过图强化学习的方法 GRL-AECNN 解决卸载问题，具有优于现有方法的性能。

Jan, 2024

本研究探讨了移动边缘计算（MEC）与新兴技术的融合，其中包括 Metaverse、6G 无线通信、人工智能 (AI) 和区块链，重点关注于这些技术的技术融合，如 MEC 和 6G 的融合、MEC 与区块链的融合等，并介绍了 MEC 在移动增强现实（MAR）和 Metaverse 的应用场景。

Sep, 2022

通过多维资源的资源共享、服务缓存、深度强化学习等方面的联合优化，我们提出了一种协同多接入边缘计算（MEC）框架，旨在最大化长期的服务质量（QoS）并降低缓存切换成本。通过改进的遗传算法（GA）和基于长短期记忆网络的深度确定性策略梯度（LSTM-DDPG）组成的深度强化学习（DRL）的双时间尺度方案（DGL-DDPG），我们将优化问题转化为马尔可夫决策过程（MDP），以实现大时间尺度上的服务缓存决策。仿真结果表明，我们提出的算法在平均 QoS 和缓存切换成本方面优于基准算法。

Jul, 2023

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

本文提出了一种基于链接输出图神经网络（LOGNN）的资源管理方法，可灵活优化任意数量的边缘节点的 MEC 资源分配，具有极低的算法推理延迟，并证明了 LOGNN 的可扩展性，通过无标签的无监督方法进行有效训练，与监督学习和强化学习相比，拥有更好的收敛性能和速度。

Jun, 2023

本论文提出了一种基于极值理论的移动边缘计算系统设计，用于满足极其可靠的低延迟要求和减少用户能量消耗，同时考虑无线通道动态和服务器资源负载。论文提供了两种时间尺度的解决方案，即长时间尺度下的用户 - 服务器关联和短时间尺度下的动态任务卸载和资源分配策略，并通过仿真实验验证了该方法的有效性。

Dec, 2018

本研究提出在多用户 MEC 系统中优化资源分配，解决 I/O 干扰问题，设计针对多种指标的离线调度算法，实现用户的离线调度，控制他们的离线大小并将时间分配给通信与计算。

Nov, 2018