本研究探讨了在移动边缘计算中，如何通过深度强化学习（DRL）进行资源分配，以平衡效率与训练成本。提出了一种新算法，动态选择DRL智能体的训练时机，以在考虑训练开销的情况下接近理想性能，具有广泛的适用性和实际意义。

本文探讨了基于深度学习的移动边缘计算系统，旨在优化用户关联和资源分配，以降低能量消耗并满足服务质量要求。同时，研究了数字孪生技术在6G网络中的应用，强调其在网络编排和资源管理中的重要性，并提出了基于数字孪生和元学习的网络规划方案。

本文提出了一种异步梯度下降法优化深度神经网络的深度强化学习框架，展示了多种强化学习算法的异步变体，特别是actor-critic方法在Atari领域的优越表现。同时，研究探讨了多智能体强化学习在移动边缘计算中的应用，提出了结合深度强化学习和马尔可夫决策过程的优化算法，显著提高了信息时效性和任务性能。

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。

人工智能的复兴推动了边缘学习研究的发展，旨在优化边缘设备上的AI应用。通过移动边缘计算和海量数据，克服了设备的计算限制。研究提出了强化学习算法和集成传感-通信-计算方案，以提高资源利用率和通信性能，特别是在无人机和自动驾驶汽车等领域。未来的6G网络将面临新的挑战，需关注多接入边缘计算、语义通信和机器学习等技术的协同发展。

本研究提出了一种创新的范式，将移动边缘计算与基础模型集成，以增强用户设备上的本地任务性能。通过创新的仿真器-适配器架构，将基础模型分成两个协同模块，节省计算资源并提高适应性和任务优化效率。引入精细调整的资源分配机制满足分散式环境需求。采用混合多智能体强化学习策略，并通过仿真和验证展示了方法的实用性、鲁棒性、效率和可扩展性。该研究为基础模型部署和平衡计算效率与任务能力提供了新视角。

本文提出了一个基于区块链安全的深度强化学习优化框架，用于分散的无线移动边缘计算网络中的数据管理和资源分配。通过设计低延迟的声誉股权证明共识协议，选择高可靠的区块链启用的基站，保证数据安全存储和防止篡改攻击。通过将移动边缘计算资源分配优化建模为约束的马尔可夫决策过程，平衡处理延迟和拒绝服务概率。使用移动边缘计算汇总特征作为深度强化学习的输入，有效减少了剩余服务处理时间的高维输入。通过约束深度强化学习，实现适应动态拒绝服务要求的最佳资源分配。仿真结果和分析验证了该框架在安全性、可靠性和资源利用率方面优于基准区块链共识协议和移动边缘计算资源分配算法。

本研究探讨了移动边缘计算（MEC）与新兴技术的融合，包括Metaverse、6G无线通信、人工智能和区块链。重点关注了MEC与6G、MEC与区块链的融合，并介绍了MEC在移动增强现实和Metaverse的应用场景。

本文提出了一种基于极值理论的移动边缘计算系统设计，旨在满足低延迟、减少用户能量消耗、考虑无线通道动态和服务器资源负载等要求。该方法提供了两种时间尺度的解决方案，并通过仿真实验验证了其有效性。