基于多智能体强化学习的无人机网络资源分配

Oct, 2018

基于多智能体强化学习的无人机网络资源分配

Multi-Agent Reinforcement Learning Based Resource Allocation for UAV Networks

Jingjing Cui, Yuanwei Liu, Arumugam Nallanathan

TL;DR本文探讨了使用无人机作为空中基站提供无线通信服务的动态资源分配问题，并通过多智能体强化学习框架实现了长期收益的最大化。研究结果表明，该算法在信息交互开销和性能提升之间取得了良好的平衡。

Abstract

unmanned aerial vehicles (UAVs) are capable of serving as aerial base stations (BSs) for providing both cost-effective and on-demand wireless communications. This article investigates dynamic resource allocation

unmanned aerial vehicles dynamic resource allocation stochastic game multi-agent reinforcement learning wireless communications

发现论文，激发创造

基于协作分布式强化学习的无人机场地覆盖

本文提出了一种分布式的多智能体强化学习算法，可用于团队的无人机，通过使用协调均衡博弈解决动态联合行动的复杂问题，以及利用高效的函数逼近技术解决大量的状态空间表示挑战，通过仿真和实际实现验证了该无人机团队成功学习完成任务。

Mar, 2018

多智能体强化学习用于协作无人机卸载蜂窝通信

通过多代理强化学习框架，本研究介绍了一种有效利用多个无人机最大化地满足用户对数据传输的需求的方法，其中重点是在服务质量约束下共同优化无人机轨迹和用户关联指标。

Feb, 2024

密度感知强化学习优化无人机辅助网络能效

该论文提出了一种密度感知的通信多智能体去中心化双重深度 Q 网络方法，它最大化了每个无人机的轨迹、已连接用户数量和无人机的能耗，同时跟踪密集和不均匀的用户分布。该方法优于现有技术 65％-85％的能源效率。

Jun, 2023

基于图注意力机制的多无人机辅助通信中轨迹规划和资源分配的强化学习

该论文提出了一种新的图注意多智能体信任域（GA-MATR）强化学习框架，用于解决多无人机辅助通信问题，通过引入图递归网络处理和分析通信网络的复杂拓扑结构，从观测信息中提取有用的信息和模式，提供额外的权重，并利用批评网络准确评估无人机基站行为的价值，以实现更可靠的反馈信号，并帮助演员网络更有效地更新策略。模拟实验表明，该方法具有优于基准线的收敛性能，无人机基站学习到了达到最大累积奖励的最佳通信策略，同时，多智能体信任域方法具有单调收敛性，为多无人机辅助通信马尔可夫博弈提供了估计的纳什均衡点。

Jan, 2024

基于模型辅助的联邦强化学习在物联网多无人机轨迹规划中的应用

本文提出了一种新的基于模型的联邦多智能体强化学习算法，用于协调多个无人机在数据收集任务中，以解决传统多智能体强化学习算法需要大量真实训练数据的问题，并在各个方面取得了良好的表现。

Jun, 2023

多无人机多 RIS 关注 QoS 的空中通信系统使用 DRL 和 PSO

无人机在提供无线服务方面具有优势，但资源限制给应用带来挑战。本论文介绍了一种优化模型，通过无人机路径规划和多重反射面支持，最大化吞吐量和覆盖范围，通过深度强化学习和粒子群算法解决了线性规划技术的限制，并通过大量仿真实验证明在服务质量方面相比其他方法有较大的提升。

Jun, 2024

应用元强化学习进行策略性物联网部署在灾害应对无人机群的覆盖

通过优化模型、轻量级元 - 强化学习解决方案以及广泛的模拟实验，在提供了快速收敛的同时，证明了介绍的方法在为战略位置提供覆盖方面优于现有的三种算法。

Jan, 2024

细胞无人机互联网的强化学习：协议设计、轨迹控制和资源管理

该文介绍了在 UAVs 的 cellular IoT 环境下，使用分布式的 sense-and-send 协议协调 UAVs 进行感知和传输，并应用强化学习解决轨迹控制和资源管理等关键问题的方法。

Nov, 2019

一种基于强化学习和凸优化的混合框架用于基于无人机的自主元宇宙数据采集

本文提出了一种无人机辅助的 Metaverse 网络系统模型，通过资源分配和轨迹控制来提高数据收集效率，采用强化学习和凸优化的混合框架来解决时间依赖性优化问题，仿真结果表明该框架能够在给定传输功率资源下减少任务完成时间。

May, 2023

分布式和非协同认知无线电资源分配的深度强化学习

本文提出了一种分布式的深度强化学习资源分配技术，针对协作无线电网络所呈现的多智能体环境及其强化学习过程中可能导致的非平稳环境，通过考虑深度强化学习的特定方面，本文的算法能够迭代地收敛于一个平衡政策，其可用于无需与其他代理协调配合的情况下工作。仿真结果表明，与等效的基于 Q 表的 Q 学习算法相比，所提出的技术具有更快的学习性能，并能够在足够长的学习时间内在 99% 的情况下找到最优策略。此外，对于与等效的基于表格的实现相比，仿真结果显示出我们的 DQL 方法只需要不到一半的学习步骤才能实现相同的性能。此外，证明了在未协调交互的多无线电情景中使用标准的单智能体深度强化学习方法可能无法收敛。

May, 2022