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的路径，制定了旨在最大化设备卸载的数据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方法开发 2了规划的运行结果和部分代码
3. 列出了文献来源
阅读原文
3. 列出了文献来源
基于深度强化学习的多RIS辅助干扰信道传输方法
文章概要：
1. 引言部分介绍了RIS技术在6G中的应用背景和面临的挑战，以及现有研究的不足。
2. 系统模型部分建立了多RIS辅助干扰信道系统的模型，包括信号传输模型和信道模型。
3. 深度强化学习算法部分提出了基于近端策略优化算法的传输方案包括状态空间、动作空间和奖励函数的设计。
4. 仿真结果与分析部分通过仿真实验验证了所提出方法的有效性和。
5. 结束语部分总结了本文的工作，并对未来的研究方向进行了展望。
阅读原文
2. 系统模型部分建立了多RIS辅助干扰信道系统的模型，包括信号传输模型和信道模型。
3. 深度强化学习算法部分提出了基于近端策略优化算法的传输方案包括状态空间、动作空间和奖励函数的设计。
4. 仿真结果与分析部分通过仿真实验验证了所提出方法的有效性和。
5. 结束语部分总结了本文的工作，并对未来的研究方向进行了展望。
采用注意力机制和奖励塑造的深度强化学习视觉目标导航方法
文章概要：
1. 文章提出了一种基于注意力机制和奖励塑造的深度强化学习视觉目标导航方法，该方法基于缩放点积注意力机制，根据上一时间步的视觉图像和目标，提取当前时间步的视觉图像中重点关注的路径区域和目标区域，用于构建更佳的外在状态和内在状态。
2. 文章基于缩放点积注意力机制计算得到视觉图像和目标的余弦相似度，根据提出的奖励塑造规则自动构建目标偏好性强的奖励空间，解决奖励稀疏问题。
3. 实验结果显示，本文方法相较于以往的方法，在成功率上提高了约7%，在路径长度加权成功率上提高了约20%，能够提升视觉目标导航任务的成功率和效率。
阅读原文
2. 文章基于缩放点积注意力机制计算得到视觉图像和目标的余弦相似度，根据提出的奖励塑造规则自动构建目标偏好性强的奖励空间，解决奖励稀疏问题。
3. 实验结果显示，本文方法相较于以往的方法，在成功率上提高了约7%，在路径长度加权成功率上提高了约20%，能够提升视觉目标导航任务的成功率和效率。