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研究

作者：米德昌; 王霄^*; 李梦丽; 秦俊康

来源：计算机应用研究, 2023, 1-9.

DOI：10.19734/j.issn.1001-3695.2023.04.0159

• 灾害应急
• 任务卸载
• MADRL
• ADE

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。仿真结果表明，所提算法ADE-DDPG相比改进的深度确定性策略梯度网络(Deep Deterministic Policy Gradient,DDPG)节约了35%的整体开销，验证了ADE-DDPG在性能上的有效性。

• 单位
  贵州大学