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

本文旨在提出一种基于深度学习和优化算法的混合式移动边缘计算方案，包含地面站、地面车辆和无人机，通过实时联合优化地面车辆和无人机的位置、用户关联和资源分配，以达到在线减少 UE 设备的能耗。

Nov, 2019

本文提出了一种基于数字孪生和元学习的网络规划方案来支持有状态应用程序，通过多层计算范例和不同组的资源预留，可以最小化计算、存储和通信资源的使用和重新配置资源预留的成本。

Oct, 2022

本文研究了无人机辅助移动边缘计算，旨在通过联合优化无人机轨迹、用户传输功率和计算负载分配来最大程度地提高能源效率，并且采用分布式和并行问题求解来处理该问题。

Jul, 2020

本论文提出了一种基于深度学习的移动边缘计算系统，旨在通过优化用户关联、资源分配和卸载概率来最小化归一化能量消耗，并考虑服务质量要求。仿真结果表明，相比现有方法，我们的方法可以实现更低的归一化能量消耗，并具有更少的计算复杂度。

Jun, 2019

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

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

该论文使用无人机作为边缘计算服务器，联合优化用户关联、飞行路径和上传功率，以最大化所有用户的离线数据传输，同时满足无人机的能量约束和用户的服务质量要求。

Oct, 2019

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