灾害应急场景下基于多智能体深度强化学习的任务卸载策略

打开文本图片集

摘 要：针对传统深度强化学习（deep reinforcement learning，DRL）中收敛速度缓慢、经验重放组利用率低的问题，提出了灾害应急场景下基于多智能体深度强化学习（MADRL）的任务卸载策略。首先，针对MEC网络环境随时隙变化且当灾害发生时传感器数据多跳的问题，建立了灾害应急场景下基于MADRL的任务卸载模型；然后，针对传统DRL由高维动作空间导致的收敛缓慢问题，利用自适应差分进化算法（ADE）的变异和交叉操作探索动作空间，提出了自适应参数调整策略调整ADE的迭代次数，避免DRL在训练初期对动作空间的大量无用探索；最后，为进一步提高传统DRL经验重放组中的数据利用率，加入优先级经验重放技术，加速网络训练过程。（剩余18552字）