通过去中心化学习实现部分任务卸载与资源分配，在不依赖中心协调的情况下降低时延与能耗。
Abbas, Zahir · Shihe, Xu · 张信明
IEEE Transactions on Intelligent Transportation Systems 2024
任务可分割，车辆能选择本地执行、部分卸载或完全卸载，提高了处理灵活性，避免整任务迁移的开销。
仿真表明所提方案可减少所有车辆的整体处理延迟和能量消耗，验证了其在实际动态场景中的有效性。
提供了一个具有低计算复杂度的次优解，使算法更适合车载资源有限的环境。