[文献阅读] Multi-Agent Deep Reinforcement Learning for Computation Offloading and Interference Coordination in Small Cell Networks 用于小蜂窝网络计算卸载和干扰协调的多智能体深度强化学习
sci-2。使用部分卸载。考虑的是蜂窝网络的环境，使用多智能体强化学习(DRL)的方法最小化延迟。为了降低训练过程的计算复杂性和开销，引入了联邦学习，设计了一个联邦DRL方案。
0%
[文献阅读] Deep Reinforcement Learning for Task Offloading in Mobile Edge Computing Systems 移动边缘计算系统中任务卸载的深度强化学习
我们提出了一种基于DRL的无模型分布式算法，其中每个设备可以在不知道任务模型和其他设备卸载决策的情况下确定自己的卸载决策。为了改进算法的长期代价估计，我们引入了LSTM、DQN和Double-DQN技术。
[强化学习]连续控制
强化学习中的连续控制，介绍了DDRP算法。
[强化学习]策略学习
强化学习中的策略学习。包括REINFORCE with Baseline 以及A2C。
[强化学习]价值学习
强化学习中的价值学习，包含了DQN以及TD算法，以及其的改进版本。
[强化学习]强化学习基本概念
一些强化学习的一些基本概念
[文献阅读]A Deep Reinforcement Learning based Offloading Game in Edge Computing 边缘计算中基于深度强化学习的卸载游戏
本文考虑了动态环境下边缘计算用户间的动态计算卸载决策问题，提出了一种计算卸载博弈公式。
[边缘计算]计算卸载学习笔记
一些关于边缘计算的学习笔记。
[文献阅读] Deep Reinforcement Learning-based Task Offloading in Satellite-Terrestrial Edge ComputingNetworks 星地边缘计算网络中基于深度强化学习的任务分流
提出了基于深度强化学习的任务卸载(DRTO)算法，通过调整候选位置的个数来加速学习过程，并且卸载位置和带宽分配只依赖于当前的信道状态。
[文献阅读] A Game-Theoretic Approach to Computation Offloading in Satellite Edge Computing 卫星边缘计算中计算卸载的博弈方法
提出了一个计算卸载游戏框架，以排队论为优化性能的指标，计算了任务的响应时间和能耗，并提出了一种迭代算法来找到纳什均衡。