✅作者简介：热爱科研的Matlab仿真开发者，擅长毕业设计辅导、数学建模、数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。

🍎 往期回顾关注个人主页：Matlab科研工作室

 👇 关注我领取海量matlab电子书和数学建模资料 

🍊个人信条：做科研，博学之、审问之、慎思之、明辨之、笃行之，是为：博学慎思，明辨笃行。

🔥 内容介绍 

一、引言

随着物联网和移动互联网的飞速发展，边缘计算作为一种将计算任务从云端迁移到网络边缘的技术，受到了广泛关注。多无人机辅助的边缘计算网络能够灵活地为用户提供边缘计算服务，但无人机的路径规划成为影响系统性能的关键因素。基于深度强化学习的方法为多无人机在边缘计算网络中的路径规划提供了创新且有效的解决方案，能够优化无人机的飞行路径，提升计算资源分配效率和服务质量。

二、多无人机辅助边缘计算网络概述

1. 网络架构

   ：该网络由多个无人机、边缘计算服务器和用户设备组成。无人机配备计算资源，可在空中移动，靠近用户设备提供边缘计算服务。边缘计算服务器则负责协调无人机的任务分配和资源管理。用户设备产生计算任务，通过无线通信将任务发送给附近的无人机或边缘计算服务器进行处理。

2. 面临的挑战

   ：

   • 动态环境

     ：用户设备的位置可能随时变化，新的任务不断产生，网络环境也可能受到天气、电磁干扰等因素影响，这要求无人机能够实时调整路径，以适应动态变化。

   • 多目标优化

     ：需要同时考虑多个目标，如最小化任务完成时间、最大化计算资源利用率、降低通信能耗等。这些目标之间可能存在冲突，增加了路径规划的复杂性。

三、深度强化学习基础

1. 强化学习原理

   ：强化学习是一种智能体通过与环境进行交互，不断尝试不同的动作，并根据环境反馈的奖励信号来学习最优行为策略的机器学习方法。智能体的目标是最大化长期累积奖励。在多无人机路径规划中，无人机可看作智能体，其飞行路径选择为动作，环境状态包括无人机位置、用户设备位置和任务信息等，奖励信号根据任务完成情况、资源利用效率等目标设定。

2. 深度强化学习扩展

   ：深度强化学习将深度学习与强化学习相结合，利用深度神经网络强大的函数逼近能力，处理高维复杂的状态空间。在多无人机辅助边缘计算网络中，状态信息可能包含大量维度，如多个无人机的位置、速度、电量，以及众多用户设备的位置、任务类型和任务量等，传统强化学习方法难以处理如此复杂的状态空间，而深度强化学习能够通过神经网络对状态进行有效编码和处理，学习到最优的路径规划策略。

四、基于深度强化学习的路径规划方法

1. 状态定义

   ：综合考虑无人机和用户设备的各种信息来定义状态空间。例如，状态可以包含每架无人机的当前位置（x, y 坐标）、速度、剩余电量、携带的计算资源量，以及每个用户设备的位置、任务队列长度、任务优先级等信息。将这些信息进行数字化表示后作为深度强化学习模型的输入。

2. 动作空间

   ：为无人机定义一系列可行的动作，如向不同方向移动一定距离、悬停、调整飞行高度等。动作空间的设计要考虑无人机的实际飞行能力和任务需求，确保动作的可行性。

3. 奖励设计

   ：根据多目标优化的需求设计奖励函数。例如，成功完成一个任务可给予正奖励，奖励值可根据任务的优先级和完成时间进行调整；任务超时或因资源不足无法处理任务则给予负奖励；无人机电量消耗过大也给予一定的负奖励；有效利用计算资源可获得资源利用奖励等。通过合理设置奖励权重，引导无人机学习到综合性能最优的路径规划策略。

4. 深度强化学习模型

   ：常用的深度强化学习模型如深度 Q 网络（DQN）及其变体，如双深度 Q 网络（DDQN）、决斗深度 Q 网络（Dueling DQN）等。以 DQN 为例，它通过一个深度神经网络来近似 Q 值函数，Q 值表示在某个状态下采取某个动作所能获得的长期累积奖励的期望。智能体（无人机）根据当前状态从神经网络输出的 Q 值中选择具有最大 Q 值的动作执行，与环境进行交互后，根据新的状态和获得的奖励来更新神经网络的参数，不断优化 Q 值函数，从而学习到最优的路径规划策略。

⛳️ 运行结果

🔗 参考文献

🍅更多创新智能优化算法模型和应用场景可扫描关注

🌟机器学习/深度学习类：BP、SVM、RVM、DBN、LSSVM、ELM、KELM、HKELM、DELM、RELM、DHKELM、RF、SAE、LSTM、BiLSTM、GRU、BiGRU、PNN、CNN、XGBoost、LightGBM、TCN、BiTCN、ESN、Transformer、模糊小波神经网络、宽度学习等等均可~

方向涵盖风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、用电量预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断

🌟组合预测类：CNN/TCN/BiTCN/DBN/Transformer/Adaboost结合SVM、RVM、ELM、LSTM、BiLSTM、GRU、BiGRU、Attention机制类等均可（可任意搭配非常新颖）~

🌟分解类：EMD、EEMD、VMD、REMD、FEEMD、TVFEMD、CEEMDAN、ICEEMDAN、SVMD、FMD、JMD等分解模型均可~

🌟路径规划类：旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、 充电车辆路径规划（EVRP）、 双层车辆路径规划（2E-VRP）、 油电混合车辆路径规划、 船舶航迹规划、 全路径规划规划、 仓储巡逻、公交车时间调度、水库调度优化、多式联运优化等等~

🌟小众优化类：生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化、背包问题、 风电场布局、时隙分配优化、 最佳分布式发电单元分配、多阶段管道维修、 工厂-中心-需求点三级选址问题、 应急生活物质配送中心选址、 基站选址、 道路灯柱布置、 枢纽节点部署、 输电线路台风监测装置、 集装箱调度、 机组优化、 投资优化组合、云服务器组合优化、 天线线性阵列分布优化、CVRP问题、VRPPD问题、多中心VRP问题、多层网络的VRP问题、多中心多车型的VRP问题、 动态VRP问题、双层车辆路径规划（2E-VRP）、充电车辆路径规划（EVRP）、油电混合车辆路径规划、混合流水车间问题、 订单拆分调度问题、 公交车的调度排班优化问题、航班摆渡车辆调度问题、选址路径规划问题、港口调度、港口岸桥调度、停机位分配、机场航班调度、泄漏源定位、冷链、时间窗、多车场等、选址优化、港口岸桥调度优化、交通阻抗、重分配、停机位分配、机场航班调度、通信上传下载分配优化、微电网优化、无功优化、配电网重构、储能配置、有序充电、MPPT优化、家庭用电、电/冷/热负荷预测、电力设备故障诊断、电池管理系统（BMS）SOC/SOH估算（粒子滤波/卡尔曼滤波）、 多目标优化在电力系统调度中的应用、光伏MPPT控制算法改进（扰动观察法/电导增量法）、电动汽车充放电优化、微电网日前日内优化、储能优化、家庭用电优化、供应链优化\智能电网分布式能源经济优化调度，虚拟电厂，能源消纳，风光出力，控制策略，多目标优化，博弈能源调度，鲁棒优化等等均可~

 🌟 无人机应用方面：无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配、无人机安全通信轨迹在线优化、车辆协同无人机路径规划

🌟通信方面：传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化、水声通信、通信上传下载分配

🌟信号处理方面：信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化、心电信号、DOA估计、编码译码、变分模态分解、管道泄漏、滤波器、数字信号处理+传输+分析+去噪、数字信号调制、误码率、信号估计、DTMF、信号检测

🌟电力系统方面： 微电网优化、无功优化、配电网重构、储能配置、有序充电、MPPT优化、家庭用电、电/冷/热负荷预测、电力设备故障诊断、电池管理系统（BMS）SOC/SOH估算（粒子滤波/卡尔曼滤波）、 多目标优化在电力系统调度中的应用、光伏MPPT控制算法改进（扰动观察法/电导增量法）、电动汽车充放电优化、微电网日前日内优化、储能优化、家庭用电优化、供应链优化\智能电网分布式能源经济优化调度，虚拟电厂，能源消纳，风光出力，控制策略，多目标优化，博弈能源调度，鲁棒优化

🌟原创改进优化算法（适合需要创新的同学）：原创改进2025年的波动光学优化算法WOO以及三国优化算法TKOA、白鲸优化算法BWO等任意优化算法均可，保证测试函数效果，一般可直接核心