.png){kind=icon}
返回
Multi-Agent Deep Reinforcement Learning-Based Trajectory Planning for Multi-UAV Assisted Mobile Edge Computing
.png){kind=icon}
OA
AI
DOI：10.1109/TCCN.2020.3027695.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
提出了一种无人机 (UAV) 辅助的移动边缘计算 (MEC) 框架，其中具有不同轨迹的多个UAV在目标区域上方飞行并支持地面上的用户设备 (ue)。我们旨在共同优化所有UE之间的地理公平性、每个uav的UE负载的公平性以及UE的整体能量消耗。上述优化问题包括整数变量和连续变量，并且求解具有挑战性。为了解决上述问题，提出了一种基于多智能体深度强化学习的轨迹控制算法，用于独立管理每个无人机的轨迹，其中应用了流行的多智能体深度确定性策略梯度 (MADDPG) 方法。给定uav的轨迹，引入低复杂度方法用于优化ue的卸载决定。我们表明，我们提出的解决方案在服务UE的公平性，每个UAV的UE负载的公平性以及所有UE的能耗方面均优于其他传统算法。
Keyword:
Multi-agent deep reinforcement learning
MADDPG
mobile edge computing
UAV
trajectory control
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
I
IF:
7
论文数:
1.6K
被引数:
5.5K
机构
引用论文
.png){kind=icon}
Multiple Access for Mobile-UAV Enabled Networks: Joint Trajectory Design and Resource Allocation支持移动无人机的网络的多路访问: 联合轨迹设计和资源分配OAAI
OAAI分享收藏Study of bi-directional buck-boost converter topologies for application in electrical vehicle motor drives应用于电动汽车电机驱动的双向buck-boost变换器拓扑研究
PREAI
分享收藏
查看更多内容