SkyNetMEC 项目亮点解析

1. 项目的基础介绍

SkyNetMEC 是一个基于无人机（UAV）的移动边缘计算（MEC）模型的开源项目。该项目采用多智能体深度确定性策略梯度（MADDPG）强化学习算法，实现了任务卸载和无人机轨迹规划。模型的目的是优化多个无人机在由多个用户设备（UE）集群和雾设备组成的定制环境中的任务执行。

2. 项目代码目录及介绍

项目的代码目录结构清晰，主要包含以下部分：

• code/：包含实现模型的核心代码，包括无人机的行为决策网络、评估网络、经验回放缓冲区等。
• LICENSE.txt：项目使用的 MIT 许可证文件。
• README.md：项目说明文件，介绍了项目的基本信息、环境描述、问题描述、算法概述等。
• SYSTEM MODEL.jpg：项目系统模型的示意图。

3. 项目亮点功能拆解

• 任务卸载：无人机根据当前状态和任务请求，决定将任务的一部分在本机执行还是卸载到雾设备上。
• 轨迹规划：无人机根据 UE 集群的位置和需求，规划自己的移动轨迹，以提供更好的覆盖范围。
• 动态决策：无人机在任务执行过程中，根据实时反馈动态调整任务卸载和移动策略。

4. 项目主要技术亮点拆解

• MADDPG 算法：采用多智能体强化学习算法，使无人机能够通过协作和竞争学习最优的任务卸载策略。
• 自定义环境：构建了一个包含 UE 集群和雾设备的仿真环境，为无人机提供真实的学习和决策场景。
• 经验回放：通过经验回放技术，打破训练数据的时序相关性，提高学习效率。
• 软更新：使用软更新技术，使目标网络平滑地跟踪主网络，提高策略的稳定性。

5. 与同类项目对比的亮点

• 强化学习在无人机 MEC 中的应用：与传统的优化算法相比，本项目采用强化学习，能够更好地适应动态变化的网络环境和任务需求。
• 多智能体协作：本项目中的无人机能够进行有效的多智能体协作，提高了任务执行的效率和系统的整体性能。
• 环境仿真的逼真性：项目中的环境仿真考虑了多种因素，如数据速率、时间和能量消耗，使得仿真结果更接近实际应用场景。
• 开放的开源许可：采用 MIT 许可证，鼓励更多的研究者和开发者参与到项目的改进和扩展中来。