关键词federated deep reinforcement learning
搜索结果 - 5
- 基于 NFT 和基于 AI 的代理人的分散能源市场
使用区块链技术和人工智能,该研究论文介绍了一种先进的去中心化能源市场(DEM),用于管理具有能量存储系统的智能家居之间的能量交换,通过使用非同质化代币(NFTs)在透明和安全的交易环境中表示独特能源配置文件。该系统利用联邦深度强化学习(FD - 基于分布式网络的电动车充电控制的联邦强化学习
电动车充电控制中的多智能体深度强化学习方法结合了多电动车充电与放电过程以及射线分布网络的优化功率流,通过联邦式深度强化学习算法来有效地学习最佳的充电控制策略,从而平衡车辆与电网之间的利益和减少驾驶员的焦虑情绪。
- MM车辆控制:使用联邦深度强化学习进行碰撞避免
本文针对不断增长的城市人口和道路上日益增加的车辆,以保证交通的高效管理和安全成为了一个重要挑战。为了解决这些问题,本文以联邦深度强化学习(FDRL)技术为基础,对车辆避碰控制进行了全面研究。我们的主要目标是最小化行程延误,提高车辆的平均速度 - 有限 CSI 下基于联合深度强化学习的太赫兹波束搜索
本文介绍了使用联邦深度强化学习方法,在部分有限的信道状态信息下,协调无线网络中的基站以快速搜索 THz 波束赋形策略,并在一定程度上缓解干扰的方法,该方法在已有的较传统的优化方法上表现更好。
- MM物联网网络中联邦双深度 Q 学习实现延迟和能量最小化
提出一个联邦深度增强学习框架来解决物联网设备能耗和延迟的多目标优化问题,通过优化转移决策、计算资源分配和传输功率分配来实现;并采用分布式深度增强学习 (DRL) 和深度增强 Q 网络 (DDQN) 解题,辅以联邦学习 (FDL) ,能有效提