论文阅读笔记

解决的问题	解决方法
SD-UDN下的任务卸载方案最小平均时延问题-NP-hard	分为资源分配问题和任务放置问题。 问题一：给定固定，使用KKT条件得到。 问题二：基于问题一结果，变为0-1的整数规划问题，利用任务放置算法获得最佳卸载方案，证明了该问题的收敛性。
在满足时分多址、边缘设备压缩速率的条件下，将任务部分卸载到边缘设备执行（压缩任务）加上数据传输时延的加权平均和最小的问题	该问题分为视频资源的分割问题和资源分配问题。 问题一：引入压缩视频的平均能力值与传输视频的平均通信容量相比较，确定最佳的分割比例。 问题二：基于问题一结果得到，使用基于常见微分凸问题的次梯度方法迭代可求解该问题的最小值。 特殊情况：通信资源充足而计算资源有限，使用KKT条件获得问题二的最优解。
关于无人机协作的计算卸载问题，满足最大等待时间约束的条件下，最小化能耗	主要内容是为任务卸载优化传输数据速率和资源分配，以满足不同的QoS要求。 问题一：优化传输数据效率，凸优化问题，使用KKT条件和拉格朗日函数获得最小能耗。 问题二：优化资源分配，利用模拟退火算法SASPO获得最优的资源分配方案。
基于二进制卸载策略的无线MEC网络中，从经验中学习二进制卸载决策，以使任务卸载决策和无线资源分配最佳地适应时变无线信道条件，最小化时延和能耗	该问题分为任务卸载和资源分配问题。 问题一：任务卸载方案，利用DROO算法完成卸载动作生成和卸载策略更新。 问题二：基于问题一生成的卸载动作，整个问题变为一个凸优化问题，利用KKT条件或者一维二分搜索算法解决
在基于二进制卸载策略的ad-hoc移动云中为移动用户解决最优卸载决策的问题，从而在最小化能耗、任务处理延迟、任务损失概率和所需成本的同时，最大化用户通过任务执行获得的效用	该问题为任务卸载提出基于马尔可夫决策过程（MDP）的卸载问题公式，利用DQN算法学习获得奖励最大的任务卸载方案。
基于二进制卸载策略的，多个无线设备（WD）将其计算任务卸载到MEC网络，为了节省能源并保持WD的服务质量，将联合卸载决策和带宽分配的优化公式化为混合整数规划问，即最小化能耗和时延的加权总和	为解决该问题，提出DDLO算法，分为卸载动作生成和深度学习两个步骤。 步骤一：使用K个并行的DNN来生成二进制卸载决策，生成K个候选卸载动作，获得卸载方案后，原问题变为宽带分配的凸优化问题，选择值最小的卸载动作。 步骤二：在获得最佳卸载决策后，保存该值，重新训练CNN网络，通过最小化交叉熵损失，执行梯度下降算法以优化每个DNN的参数值，最终得到最佳卸载方案。