matlab贪婪算法代码-content_caching_with_reinforcement_learning:用于模拟IEEEXplore

上传者: 38608189 | 上传时间: 2023-01-03 15:39:19 | 文件大小: 6.68MB | 文件类型: ZIP
matlab贪婪算法代码使用强化学习进行内容缓存 众所周知,无线移动终端网络中的最佳数据分配问题即使对于少量的文件和终端(NP-Hard)也是难以解决的。 该存储库包含在 IEEE Xplore: Distributed Caching based on Decentralized Learning Automata 中发表的工作代码。 问题 简单地说,文件放置问题或“缓存问题”出现在我们想要在每个位置最多 C 个对象的 H 位置中找到 F 个对象的最佳放置时。 最优指的是最小化某种成本函数的分配,在这种情况下是网络中的延迟。 尝试所有可能的对象组合和排列(“蛮力”或“穷举搜索”方法)对于少量对象很快变得不可行。 解决方案 有很多方法可以解决缓存问题的次优解决方案。 我们提出了一个受到独立玩家游戏(学习自动机)的启发,他们采取行动并感知彼此的选择,以了解他们的策略是否好。 由于不需要对玩家的选择进行评分的中心化实体,因此这种方法具有高度的可扩展性。 在模拟的嘈杂环境下,我们的算法接近贪婪策略的性能,其中每个玩家都最小化他们的成本函数。 我们提出了一种离散广义追踪算法(DGPA 贡献 基

文件下载

资源详情

[{"title":"( 469 个子文件 6.68MB ) matlab贪婪算法代码-content_caching_with_reinforcement_learning:用于模拟IEEEXplore","children":[{"title":"CDF_Comparison_100_Networks_10samples_H_12_M_3_N_100.fig <span style='color:#111;'> 15.53KB </span>","children":null,"spread":false},{"title":"CDF_1000_Networks_H4_M3_N10.fig <span style='color:#111;'> 116.56KB </span>","children":null,"spread":false},{"title":"CDF_Comparison_1000_Networks_1samples_H_12_M_3_N_100.fig <span style='color:#111;'> 104.20KB </span>","children":null,"spread":false},{"title":"CDF_Comparison_1samples_H12_M3_N_100.fig <span style='color:#111;'> 15.61KB </span>","children":null,"spread":false},{"title":"ANWD_Comparison_10samples_H4_M3_N_10.fig <span style='color:#111;'> 10.22KB </span>","children":null,"spread":false},{"title":"......","children":null,"spread":false},{"title":"<span style='color:steelblue;'>文件过多,未全部展示</span>","children":null,"spread":false}],"spread":true}]

评论信息

免责申明

【只为小站】的资源来自网友分享,仅供学习研究,请务必在下载后24小时内给予删除,不得用于其他任何用途,否则后果自负。基于互联网的特殊性,【只为小站】 无法对用户传输的作品、信息、内容的权属或合法性、合规性、真实性、科学性、完整权、有效性等进行实质审查;无论 【只为小站】 经营者是否已进行审查,用户均应自行承担因其传输的作品、信息、内容而可能或已经产生的侵权或权属纠纷等法律责任。
本站所有资源不代表本站的观点或立场,基于网友分享,根据中国法律《信息网络传播权保护条例》第二十二条之规定,若资源存在侵权或相关问题请联系本站客服人员,zhiweidada#qq.com,请把#换成@,本站将给予最大的支持与配合,做到及时反馈和处理。关于更多版权及免责申明参见 版权及免责申明