我院青年教师在CCF推荐的A类国际学术期刊IEEE Transactions on Mobile Computing (TMC，IF=9.2)发表题为“Transfer Learning for Joint Trajectory Control and Task Offloading in Large-scale Partially Observable UAV-Assisted MEC”（DOI:10.1109/TMC.2025.3579748）的研究论文。我院为第一完成单位，青年教师高振为第一作者。

图1 多无人机辅助的移动边缘计算系统模型                         图2 基于强化学习的联合轨迹控制与任务卸载方法

       在无人机（UAV）辅助的移动边缘计算（MEC）系统中，现有的联合轨迹控制与任务卸载（JTCTO）方法虽可为终端设备提供超低延迟服务，但通常依赖大量训练数据以学习最优JTCTO策略，导致学习效率较低。此外，随着UAV数量的增加，算法复杂度呈指数级增长，限制了其在多UAV的MEC系统环境中的可扩展性。如图1所示，本研究提出了多UAV-多边缘服务器的MEC系统模型，并联合优化飞行轨迹、任务卸载与资源分配策略，以最小化系统能耗与时延。在此基础上，如图2所示，本研究提出了基于策略迁移与平均场Actor-Critic的分布式JTCTO算法。具体来说，首先，本研究设计了一种策略迁移算法，用于判别哪些UAV的联合轨迹控制与任务卸载策略对当前UAV具有参考价值，并动态确定其终止时机，从而加速策略学习过程。其次，本研究提出了一种部分可观测的平均场算法，通过将其他UAV对目标UAV的影响聚合为平均值，有效压缩模型空间，提升其在大规模UAV场景下的适应能力。实验结果表明，相比基线方法，所提算法可降低18.44%～28.57%的系统成本，并显著提升学习效率与环境适应性。