基于python使用Drl来解决多智能体卸载问题+源码（期末作业&课程设计&项目开发）

共9个文件

py：8个

md：1个

1.该资源内容由用户上传，如若侵权请联系客服进行举报
2.虚拟产品一经售出概不退款（资源遇到问题，请及时私信上传者）

版权申诉

python

课程设计

0 下载量 167 浏览量 2024-11-20 19:14:00 上传评论收藏 15KB ZIP 举报

温馨提示

基于python使用Drl来解决多智能体卸载问题+源码，适合毕业设计、课程设计、项目开发。项目源码已经过严格测试，可以放心参考并在此基础上延申使用~ 基于python使用Drl来解决多智能体卸载问题+源码，适合毕业设计、课程设计、项目开发。项目源码已经过严格测试，可以放心参考并在此基础上延申使用基于python使用Drl来解决多智能体卸载问题+源码，适合毕业设计、课程设计、项目开发。项目源码已经过严格测试，可以放心参考并在此基础上延申使用基于python使用Drl来解决多智能体卸载问题+源码，适合毕业设计、课程设计、项目开发。项目源码已经过严格测试，可以放心参考并在此基础上延申使用~ 基于python使用Drl来解决多智能体卸载问题+源码，适合毕业设计、课程设计、项目开发。项目源码已经过严格测试，可以放心参考并在此基础上延申使用~

资源推荐

资源详情

资源评论

收起资源包目录

使用Drl来解决多智能体卸载问题.zip （9个子文件）

Multi-Agent-Mec_Offloading-Use_DRL-main

run_this.py 10KB

replay_buffer.py 3KB

Rl_net.py 2KB

D3QN.py 7KB

DQN.py 7KB

MADDPG.py 6KB

env.py 13KB

README.md 556B

base_env.py 1KB

共 9 条

# Multi-Agent-Mec_Offloading-Use_DRL 使用Drl来解决多智能体卸载问题对比了MADDPG和DQN算法环境参考论文：When Learning Joins Edge: Real-time Proportional Computation Offloading via Deep Reinforcement Learning CCF-C 目前对环境的处理为，任务在每一个step中都被处理完毕，在下一个step，对上行链路，下行链路进行随机的加减来改变状态。环境存在着一些问题，目前仍在改善。目前环境存在问题，任务大小，边缘服务器和用户的计算能力仍在调整。

评论收藏

内容反馈

1.该资源内容由用户上传，如若侵权请联系客服进行举报
2.虚拟产品一经售出概不退款（资源遇到问题，请及时私信上传者）

版权申诉