.png){kind=icon}
返回
Multi-agent reinforcement learning for resources allocation optimization: a survey
.png){kind=icon}
OA
AI
DOI：10.1007/s10462-025-11340-5.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
多智能体强化学习（MARL）已成为众多实际应用中的强大框架，用于建模分布式决策，并从与复杂环境的交互中学习。资源分配优化（RAO）显著受益于MARL应对动态和去中心化场景的能力。基于MARL的方法正越来越多地应用于各行业的RAO挑战，在工业4.0发展中发挥着关键作用。本综述对RAO的近期MARL算法进行了全面回顾，涵盖核心概念、分类、设计步骤和基准测试。通过概述当前的研究现状并识别主要挑战和未来方向，本综述旨在支持研究人员和从业者利用MARL的潜力来推进资源分配解决方案。
Keyword:
Multi-agent reinforcement learning
Resource allocation optimization
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
IF:
13.9
论文数:
6.1K
被引数:
1.9W
机构
引用论文
STMARL: A Spatio-Temporal Multi-Agent Reinforcement Learning Approach for Cooperative Traffic Light ControlSTMARL: 一种用于交通信号灯协同控制的时空多智能体强化学习方法OAAI
OAAI分享收藏Multi-agent-based decentralized residential energy management using Deep Reinforcement Learning基于深度强化学习的多智能体分散式住宅能源管理
PREAI
分享收藏Toward Packet Routing With Fully Distributed Multiagent Deep Reinforcement Learning通过完全分布式的多代理深度强化学习实现数据包路由OAAI
OAAI分享收藏Multi-Agent DRL for Task Offloading and Resource Allocation in Multi-UAV Enabled IoT Edge Network
PREAI
分享收藏Resource Management in Wireless Networks via Multi-Agent Deep Reinforcement Learning基于多Agent深度强化学习的无线网络资源管理OAAI
OAAI分享收藏A comprehensive multi-agent deep reinforcement learning framework with adaptive interaction strategies for contention window optimization in IEEE 802.11 Wireless LANs一种具有自适应交互策略的全面多智能体深度强化学习框架，用于IEEE 802.11无线局域网中的竞争窗口优化.png)
ICT ExpressOAAI
ICT ExpressIF4.2
OAAI分享收藏
查看更多内容