MATLAB|无人机路径规划|基于深度强化学习的多无人机辅助边缘计算网络路径规划
文章概要：
1. 本文研究了无人机辅助边缘计算网络路径规划，高斯马尔可夫移动模型设备的性，制定了旨在最大化设备卸载比特量同时最小化无人机能量消耗的路径规划问题，并应用深度强化学习（DRL）方法基于深度Q学习网络（DDQN）开发了一种在线规划算法
2 本文通过联合优化无人机的轨迹和比特分配，解决了无人机辅助移动边缘网络中的路径规划问题
3. 本文提出了一种在线卸载算法，用于最大化支持无线能量收集的无线能MEC网络的加权求和计算速率
4. 本文研究了深度强化学习的物联网设备计算卸载策略
阅读原文
2 本文通过联合优化无人机的轨迹和比特分配，解决了无人机辅助移动边缘网络中的路径规划问题
3. 本文提出了一种在线卸载算法，用于最大化支持无线能量收集的无线能MEC网络的加权求和计算速率
4. 本文研究了深度强化学习的物联网设备计算卸载策略
TPAMI 2024 | MO-MIX：基于深度强化学习的多目标多智能体协同决策
文章概要：
1. 深度强化学习（RL）已被广泛应用于解决复杂的决策问题。在许多现实世界的场景中，任务通常有多个相互冲突的目标，并且可能需要多个智能体进行合作，这些是多目标多智能体决策问题。然而，在这个的研究工作还相对较少。
2. 本文提出了MO-MIX来解决多目标多智能体强化学习（MOMARL）问题。
3. 我们提出了一种探索指导方法。在训练过程中，算法的探索方向受到指导，这最终帕托集近似的均匀性。
4 我们在OpenAI的多智能体粒子环境中评估了我们的算法。为了进行比较我们构建一个使用QMIX作为基线的外部循环MOMARL算法。实验结果表明，所提出的MO-MIX方法生成了更高的非支配集，在所有四种评估指标上都有明显优势。此外，我们的方法具有显著的效率优势，并且需要的计算成本要少得多。
阅读原文
2. 本文提出了MO-MIX来解决多目标多智能体强化学习（MOMARL）问题。
3. 我们提出了一种探索指导方法。在训练过程中，算法的探索方向受到指导，这最终帕托集近似的均匀性。
4 我们在OpenAI的多智能体粒子环境中评估了我们的算法。为了进行比较我们构建一个使用QMIX作为基线的外部循环MOMARL算法。实验结果表明，所提出的MO-MIX方法生成了更高的非支配集，在所有四种评估指标上都有明显优势。此外，我们的方法具有显著的效率优势，并且需要的计算成本要少得多。