电网优化，能够用于分布式电源的选址定容，也可以用于电网的网架优化计算等等(Power network optimization)

尽管企业在本地数据中心中运行工作负载的各种用例将持续存在，但投资将涌入主要的公共云数据服务提供商(SP)。随着云数据中心不断扩展、提高效率和提供变革性服务，工作负载将继续整合到云上。从长远来看，我们预计随着新的用例的出现，要求更低的延迟，计算节点可能会从集中式云数据中心转移到分布式边缘。

本文研究了移动边缘计算 (MEC) 网络，其中多个无线设备 (WD) 选择将其计算任务卸载到边缘服务器。为了节约能源并保持 WD 的服务质量，联合卸载决策和带宽分配的优化被表述为混合整数规划问题。然而，该问题在计算上受到维数灾难的限制，无法通过通用优化工具以有效和高效的方式解决，尤其是对于大规模 WD。在本文中，我们为 MEC 网络提出了一种基于分布式深度学习的卸载 (DDLO) 算法，其中使用多个并行 DNN 来生成卸载决策。我们采用共享重放内存来存储新生成的卸载决策，这些决策进一步训练和改进