tensorflow1.x完成，适应了tensorflow2.x环境，DQN，DDPG，ACTOR-CRITIC等等强化学习卸载方案

基于二进制粒子群算法（BPSO）的计算卸载策略求解matlab代码

基于遗传算法（GA）计算卸载策略的求解matlab代码

在区块链赋能的移动边缘计算（BMEC）系统中，针对各类新型计算任务并行性需求的差异，提出了一种基于异构计算的BMEC系统模型，通过调用异构计算架构中并行计算能力不同的处理器，实现区块链业务与用户业务的高效处理。通过综合考虑异构处理器调度、计算资源分配以及带宽资源分配，将通信及计算资源受限下的系统效用最大化问题建模为混合整数非线性问题。为了快速求解该问题，将所提模型进一步解耦为业务驱动的异构处理器调度问题和资源联合分配问题，并提出了基于拉格朗日对偶理论的联合优化算法。仿真结果表明，所提算法可以有效提升BMEC系统的系统效用。

智能城市、智慧工厂等对物联网设备（Internet of Things，IoT）的性能和连接性提出了挑战。边缘计算的出现弥补了这些能力受限的设备，通过将密集的计算任务从它们迁移到边缘节点（Edge Node，EN），物联网设备能够在节约更多能耗的同时，仍保持服务质量。计算卸载决策涉及协作和复杂的资源管理，应该根据动态工作负载和网络环境实时确定计算卸载决策。采用模拟实验的方法，通过在物联网设备和边缘节点上都部署深度强化学习代理来最大化长期效用，并引入联盟学习来分布式训练深度强化学习代理。首先构建支持边缘计算的物联网系统，IoT从EN处下载已有模型进行训练，密集型计算任务卸载至EN进行训练；IoT上传更新的参数至EN，EN聚合该参数与EN处的模型得到新的模型；云端可在EN处获得新的模型并聚合，IoT也可以从EN获得更新的参数应用在设备上。经过多次迭代，该IoT能获得接近集中式训练的性能，并且降低了物联网设备和边缘节点之间的传输成本，实验证实了决策方案和联盟学习在动态物联网环境中的有效性。

协同移动边缘计算中联合卸载决策和资源分配的双层优化方法

基于深度强化学习的MEC计算卸载与资源分配(python) 基于深度强化学习的MEC计算卸载与资源分配(python) 基于深度强化学习的MEC计算卸载与资源分配(python) 基于深度强化学习的MEC计算卸载与资源分配(python) 基于深度强化学习的MEC计算卸载与资源分配(python) 基于深度强化学习的MEC计算卸载与资源分配(python) 基于深度强化学习的MEC计算卸载与资源分配(python) 基于深度强化学习的MEC计算卸载与资源分配(python) 基于深度强化学习的MEC计算卸载与资源分配(python)

边缘计算任务卸载与资源调度的算法，是论文的源代码，具有价值

德鲁 无线供电的移动边缘计算网络中在线计算卸载的深度强化学习 使用Python代码重现我们的DROO算法以进行无线供电的移动边缘计算[1]，该算法使用随时间变化的无线信道增益作为输入并生成二进制卸载决策。 这包括： ：基于实现的WPMEC的DNN结构，包括训练结构和测试结构。 ：基于。 ：基于实现。 ：解决资源分配问题 ：所有数据都存储在此子目录中，包括： data _＃。mat ：训练和测试数据集，其中＃= {10，20，30}是用户编号 ：针对DROO运行此文件，包括设置系统参数，基于 ：基于。 ：基于实现。 ：当WD的权重​​交替时，运行此文件以评估DROO的性能 demo_on_off.py ：当某些WD随机打开/关闭时，运行此文件以评估DROO的性能 引用这项工作 L. Huang，S。Bi和YJ Zhang，“用于无线移动边缘计算网络中在线计算

针对移动边缘计算中具有依赖关系的任务的卸载决策问题，提出一种基于深度强化学习的任务卸载调度方法，以最小化应用程序的执行时间。任务调度的过程被描述为一个马尔可夫决策过程，其调度策略由所提出的序列到序列深度神经网络表示，并通过近端策略优化（proximal policy optimization）方法进行训练。仿真实验表明，所提出的算法具有良好的收敛能力，并且在不同环境下的表现均优于所对比的六个基线算法，证明了该方法的有效性和可靠性。