SkyNetMEC 的项目扩展与二次开发

项目的基础介绍

SkyNetMEC 是一个基于无人 aerial vehicle (UAV) 的移动边缘计算（MEC）模型的开源项目。它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。该模型旨在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自定义环境中的任务执行。

项目的核心功能

该项目的主要功能包括：

• 任务卸载决策：无人机根据当前状态，决定任务在本地执行的比例以及卸载到雾设备上的比例。
• 轨迹规划：无人机根据任务卸载决策，规划移动距离和角度，以提高对 UE 设备的覆盖范围。
• 成本优化：模型通过最小化系统成本（包括时间、能量和吞吐量的倒数之和）来优化任务执行。

项目使用了哪些框架或库？

该项目主要使用了以下框架或库：

• Python：作为主要的编程语言。
• TensorFlow 或 PyTorch：用于构建和训练强化学习模型。
• NumPy 和 Matplotlib：用于数学运算和可视化。

项目的代码目录及介绍

项目的代码目录结构大致如下：

• code/：包含主要的代码文件，如模型定义、训练流程、测试脚本等。
• LICENSE.txt：项目遵循的 MIT 许可证文件。
• README.md：项目的详细说明文档。
• SYSTEM MODEL.jpg：系统的模型图。

对项目进行扩展或者二次开发的方向

1. 增强算法能力：可以尝试引入其他强化学习算法，如 DQN、PPO 等，以比较不同算法在任务卸载和轨迹规划上的表现。

2. 扩大应用场景：目前模型针对的是两个无人机、两个 UE 集群和两个雾设备的场景。可以扩展到更多无人机和设备的复杂环境，提高模型的泛化能力。

3. 优化模型参数：通过实验确定最佳的模型超参数，提高算法的收敛速度和效果。

4. 增加实时性：优化模型以适应实时决策，使其能够快速响应用户设备的动态变化。

5. 集成其他技术：例如，引入机器学习中的其他技术，如聚类分析，来优化无人机对 UE 集群的覆盖策略。

6. 用户界面开发：开发一个用户友好的界面，便于用户理解和操作模型，以及可视化模型的结果。

通过这些扩展和二次开发，可以进一步提高 SkyNetMEC 的实用性和适用范围。