本研究提出了一种新的多智能体邻近策略优化变体MAPPO-BD，旨在解决移动边缘计算集成的空气地面网络中的能量最小化问题，特别是针对物联网设备的任务卸载，优化能量节省和资源管理，同时满足排队延迟和边缘计算的约束。

本研究提出了一种轻量级身份基础加密的统一框架，以优化6G车载网络的任务卸载管理并降低延迟。研究结果表明，适当提高传输速率能显著提升卸载性能。

本文提出了一种数字孪生辅助的任务卸载框架，旨在优化移动边缘计算策略，以平衡延迟、能耗和成本。研究结合边缘计算和联邦学习，利用深度强化学习提高车辆选择和模型聚合的准确性。通过元学习方法和图神经网络，优化车辆的边缘计算性能，解决通信质量问题，并提出新型自监督学习算法，以提升学习效率和系统性能。