无线网络中基于移动边缘计算的元宇宙边玩边赚：一种深度强化学习方法

元宇宙边玩边赚游戏日益流行，因其使玩家能获得可转化为现实利润的游戏内代币。随着增强现实（AR）技术进步，用户可在元宇宙中游玩 AR 游戏。然而这些高分辨率游戏计算密集，游戏内图形场景须从移动设备卸载至边缘服务器计算。本工作中我们考虑一个优化问题，其中元宇宙服务提供商（MSP）的目标是通过优化下行 UE-元宇宙基站（UE-MBS）分配与上行传输功率选择，降低游戏内图形下行传输时延、上行数据传输时延与用户设备（UE）最坏情况（最大）电池电量消耗，同时最大化最坏情况（最低）受 UE 分辨率影响的游戏内赚钱潜力。下行与上行传输随后异步执行。我们提出多智能体、损失共享（MALS）强化学习模型以处理该异步非对称问题。然后将 MALS 模型与其他基线模型比较并展示其优于其他方法。最后我们进行多变量优化加权分析并展示所提 MALS 算法处理联合优化问题的可行性。