一种基于深度强化学习 （DRL） 的面向 QoE 的计算卸载算法 资源内项目源码是均来自个人的课程设计、毕业设计或者具体项目，代码都测试ok，都是运行成功后才上传资源，答辩评审绝对信服的，拿来就能用。放心下载使用！源码、说明、论文、数据集一站式服务，拿来就能用的绝对好资源！！！ 项目备注 1、该资源内项目代码都经过测试运行成功，功能ok的情况下才上传的，请放心下载使用！ 2、本项目适合计算机相关专业(如计科、人工智能、通信工程、自动化、电子信息等)的在校学生、老师或者企业员工下载学习，也适合小白学习进阶，当然也可作为毕设项目、课程设计、大作业、项目初期立项演示等。 3、如果基础还行，也可在此代码基础上进行修改，以实现其他功能，也可用于毕设、课设、作业等。 下载后请首先打开README.md文件（如有），仅供学习参考, 切勿用于商业用途。 4、如有侵权请私信博主，感谢支持

用深度强化学习的方法实现频谱共享。频谱资源是一种有限资源。在自适应的实现频谱共享方面，DRL与频谱共享结合是一个十分有潜力的方向。

目前，大多数 DRL 模型事实上还停留在传统的博弈论层面，例如**纳什均衡或零和游戏**等。但随着DRL的发展，传统博弈论方法已经逐渐呈现出不足之处，而同时则有一些新的博弈论方法被纳入到人工智能的程序当中。雷锋网公众号介绍三种深刻影响 DRL 的「新」博弈论方法：平均场博弈（Mean Field Games，MFG）；随机博弈（Stochastic games）；进化博弈（Evolutionary Games，EGT）。本文是对公众号介绍文章的消化再整理：标注按字者，加注标签；关键地方，有粗体和下划线。适合快速而较系统的了解博弈发展状况的读者。