UAV-DDPG
这是我们论文的源代码:UAV辅助移动边缘计算的计算卸载优化:一种深度确定性策略梯度方法。以下是这项工作的简要介绍:
无人机(UAV)可以在无线系统中发挥重要作用,因为它可以灵活部署以帮助改善覆盖范围和通信质量。在本文中,我们考虑了一个UAV辅助的移动边缘计算(MEC)系统,其中配备计算资源的UAV可以为附近的用户设备(UE)提供卸载服务。UE将部分计算任务卸载到UAV,而剩余任务则在UE本地执行。在离散变量和能耗约束的条件下,我们旨在通过联合优化用户调度、任务卸载比例、UAV飞行角度和飞行速度来最小化最大处理延迟。考虑到这个问题的非凸性、高维状态空间和连续动作空间,我们提出了一种基于强化学习(RL)中深度确定性策略梯度(DDPG)的计算卸载算法。通过该算法,我们可以在不可控的动态环境中获得最优的计算卸载策略。我们进行了大量实验,结果表明所提出的基于DDPG的算法能够快速收敛到最优解。同时,与基线算法(如深度Q网络(DQN))相比,我们的算法在处理延迟方面能够实现显著改进。
本工作将发表在Wireless Networks上。点击这里查看我们的在线论文。
所需软件
TensorFlow 1.X
引用
@article{wang2021computation,
title={Computation offloading optimization for UAV-assisted mobile edge computing: a deep deterministic policy gradient approach},
author={Wang, Yunpeng and Fang, Weiwei and Ding, Yi and Xiong, Naixue},
journal={Wireless Networks},
volume={27},
number={4},
pages={2991--3006},
year={2021},
publisher={Springer}
}
星标数量随时间变化
更多信息
我们还有另一项关于MADDPG的工作供您参考,现在您可以简单地使用Ray来实现DRL算法。
联系方式
王云鹏 (1609791621@qq.com)
请注意,本仓库中的开源代码主要由研究生作者在攻读硕士学位期间完成。由于作者毕业后未继续从事科研工作,很难继续维护和更新这些代码。我们真诚地表示歉意,这些代码仅供参考。