动态车联网中的 DNN 划分、任务卸载和资源分配：一种基于 Lyapunov 导引的扩散强化学习方法

本文研究了移动代理计算任务的转移，提出了一种基于分散决策的机制。

设计了新的多代理在线学习算法，应用于V2X模拟中，表现出良好的收敛性和泛化性能。

基于深度强化学习的知识驱动服务卸载决策框架解决了车辆互联网中的多任务服务卸载问题，实验结果显示其性能优于贪心算法。

研究了细胞V2X通信的资源分配问题，提出的去中心化算法优于其他分布式基线算法。

提出了一种基于自适应学习的任务卸载算法，能够适应动态环境，实现分布式协作的任务卸载，降低任务卸载延迟性能。

使用深度强化学习解决边缘计算中的垂直缩放问题，降低CPU使用率并增加长期收益。

提出基于图神经网络和深度强化学习的DAG任务调度方案，模拟实验表明其在完成任务时间方面优于现有基准。

引入边缘计算和联邦学习以提高系统性能，模拟结果显示有效提高了全局模型聚合的准确性。

探讨深度学习在车联网中资源分配的关键动因和障碍，提出未来研究方向。

提出基于深度强化学习的骑乘共享订单分配方案，优化司机收入和用户体验，经过迁移学习后性能进一步提高。

提出简化的车辆微观模拟方法，优化交通系统的控制策略，发现多种新行为并分析以获得可解释的控制策略。