La realidad extendida (XR) es una tecnología inmersiva ampliamente aplicada en diversos campos. Debido a la interacción en tiempo real requerida entre los usuarios y los entornos virtuales, las aplicaciones de XR son altamente sensibles a la latencia. Además, el manejo de tareas computacionalmente intensivas en dispositivos inalámbricos de XR conlleva a un consumo de energía, lo cual es una restricción de rendimiento crítica para las aplicaciones de XR. Se ha observado que la tarea de XR puede dividirse en varias subtareas con relaciones mixtas seriales-paralelas. Además, la evaluación del rendimiento de las aplicaciones de XR implica tanto evaluaciones subjetivas de los usuarios como evaluaciones objetivas, como el consumo de energía. Por lo tanto, en entornos de computación en el borde, las formas de integrar la descarga de tareas para las subtareas de XR para satisfacer las demandas de los usuarios de las aplicaciones de XR es un problema complejo y desafiante. Para abordar este problema, este documento construye un sistema de XR inalámbrico basado en la computación en el borde móvil (MEC) y realiza investigaciones sobre la optimización conjunta del acceso al canal de comunicación multiusuario y la descarga de tareas. Específicamente, consideramos la migración de tareas de XR particionadas a servidores MEC y formulamos un problema de optimización conjunto para el acceso al canal de comunicación y la descarga de tareas. El objetivo es maximizar la relación de calidad de experiencia (QoE) con el consumo de energía, cumpliendo con los requisitos de QoE del usuario. Posteriormente, presentamos un algoritmo basado en aprendizaje profundo por refuerzo para abordar este problema de optimización. Los resultados de la simulación demuestran la efectividad de este algoritmo para satisfacer las demandas de QoE del usuario y mejorar la eficiencia de conversión de energía, independientemente de las estrategias de partición de tareas de XR empleadas.