
-
生物通官微
陪你抓住生命科技
跳动的脉搏
多无人机部署与资源分配:一种联邦式深度强化学习方法
《IEEE Systems, Man, and Cybernetics Magazine》:Multi-UAV Deployment and Resource Allocation: A federated deep reinforcement learning approach
【字体: 大 中 小 】 时间:2026年01月19日 来源:IEEE Systems, Man, and Cybernetics Magazine 1.5
编辑推荐:
多智能体联邦强化学习优化无人机通信网络部署与资源分配,通过个性化近邻联邦学习降低通信开销并提升协作效率,结合本地奖励网络竞争机制实现有效训练,在考虑信号干扰与传输损耗的多UAV环境中验证其网络效用优于传统方法。
随着各种通信方法的发展,对通信服务的需求激增。无人机(UAV)由于其灵活性和低成本,已成为提供便捷通信服务的理想平台。然而,传统的集中式算法在有限的通信容量下会消耗大量资源,而分布式算法往往难以实现有效协作。为了解决这一挑战,本研究提出了一种多智能体联邦强化学习(RL)算法,旨在优化多无人机(multi-UAV)的部署和资源分配,以提高网络效用。该算法采用个性化近端联邦学习方法,使每个智能体能够根据本地观测数据进行独立学习和训练,并定期将模型参数上传到中央服务器。中央服务器维护全局模型,并返回包含近端项的更新参数,从而在减少通信开销的同时提高智能体之间的协作效率。此外,该算法还引入了本地奖励网络竞争机制,为模型训练提供有效的目标值。为了全面验证所提算法的有效性,构建了一个考虑信号干扰和传输损失的多无人机环境。仿真结果表明,在各种复杂环境中,该算法在网络效用方面优于传统方法。