Edge Computing (EC) is a recent architectural paradigm that brings computation close to end-users with the aim of reducing latency and bandwidth bottlenecks, which 5G technologies are committed to further reduce, while also achieving higher reliability. EC enables computation offloading from end devices to edge nodes. Deciding whether a task should be offloaded, or not, is not trivial. Moreover, deciding when and where to offload a task makes things even harder and making inadequate or off-time decisions can undermine the EC approach. Recently, Artificial Intelligence (AI) techniques, such as Machine Learning (ML), have been used to help EC systems cope with this problem. AI promises accurate decisions, higher adaptability and portability, thus diminishing the cost of decision-making and the probability of error. In this work, we perform a literature review on computation offloading in EC systems with and without AI techniques. We analyze several AI techniques, especially ML-based, that display promising results, overcoming the shortcomings of current approaches for computing offloading coordination We sorted the ML algorithms into classes for better analysis and provide an in-depth analysis on the use of AI for offloading, in particular, in the use case of offloading in Vehicular Edge Computing Networks, actually one technology that gained more relevance in the last years, enabling a vast amount of solutions for computation and data offloading. We also discuss the main advantages and limitations of offloading, with and without the use of AI techniques.

边缘计算（Edge Computing，EC）是一种最新的体系结构范例，旨在使计算更接近最终用户，以减少等待时间和带宽瓶颈，而5G技术致力于进一步减少延迟和带宽瓶颈，同时还实现了更高的可靠性。EC支持从终端设备到边缘节点的计算分流。确定是否应该卸载任务并非易事。此外，决定何时何地分担任务会使事情变得更加困难，做出不充分或不及时的决定可能会破坏EC的方法。最近，诸如机器学习（ML）之类的人工智能（AI）技术已被用于帮助EC系统解决此问题。AI承诺准确的决策，更高的适应性和可移植性，从而降低了决策成本和出错的可能性。在这项工作中 我们对有无AI技术的EC系统中的计算分流进行了文献综述。我们分析了几种AI技术（尤其是基于ML的AI技术），这些技术显示出可喜的成果，克服了当前用于计算卸载协调的方法的缺点。我们将ML算法分类为更好的分析类，并提供了关于AI用于卸载的深入分析尤其是在车辆边缘计算网络中卸载的用例中，实际上，一项在过去几年中获得了更多相关性的技术为计算和数据卸载提供了众多解决方案。我们还将讨论使用和不使用AI技术时卸载的主要优点和局限性。尤其是基于ML的应用程序，它显示出令人鼓舞的结果，克服了当前用于计算卸载协调的方法的缺点。我们将ML算法分类为更好的分析类，并提供了关于AI用于卸载的深入分析，特别是在车辆边缘计算网络中卸载的一个用例，实际上是一种在最近几年中越来越重要的技术，它为计算和数据卸载提供了大量解决方案。我们还将讨论使用和不使用AI技术时卸载的主要优点和局限性。尤其是基于ML的应用程序，它显示出令人鼓舞的结果，克服了当前用于计算卸载协调的方法的缺点。我们将ML算法分类为更好的分析类，并提供了关于AI用于卸载的深入分析，特别是在车辆边缘计算网络中卸载的一个用例，实际上是一种在最近几年中越来越重要的技术，它为计算和数据卸载提供了大量解决方案。我们还将讨论使用和不使用AI技术时卸载的主要优点和局限性。克服当前计算卸载协调方法的缺点我们将ML算法分类，以进行更好的分析，并对使用AI进行卸载进行了深入分析，尤其是在车辆边缘计算网络中使用卸载的情况下，实际上，在过去的几年中，一种获得更多相关性的技术为计算和数据卸载提供了众多解决方案。我们还将讨论使用和不使用AI技术时卸载的主要优点和局限性。克服当前计算卸载协调方法的缺点我们将ML算法分类，以进行更好的分析，并对使用AI进行卸载进行了深入分析，尤其是在车辆边缘计算网络中使用卸载的情况下，实际上，在过去的几年中，一种获得更多相关性的技术为计算和数据卸载提供了众多解决方案。我们还将讨论使用和不使用AI技术时卸载的主要优点和局限性。