https://doi.org/10.1109/TASE.2024.3358894 研究背景 UAV 的 task 分配可以视为一个 NP-Hard 问题 传统的精确求解在规模变大时计算量会急剧增大，近似求解需要在精度和时间中权衡 因此提出了一个 2 层的 DRL 模型，并将 UAV 调度任务分解为

https://doi.org/10.1109/TWC.2022.3153316 研究背景 UAV 和 UE 都在不断移动，通信链路不断变化 如果 UAV 和 UE 数量增加，管理的状态数也会增多导致协同效率低 因此使用任务卸载的方式优化整个系统，并用 MADRL 来解决 UAV 的轨迹，任务分配以

https://doi.org/10.1109/TVT.2022.3228198 研究背景 现有的分配算法忽略了初始状态造成通信和资源的浪费 拍卖分配和博弈论的方式均需要进行多轮全局通信造成通信负担较重 因此提出一个双向的请求-响应机制，从而通过局部的 UAV 通信降低全局的通信量，采用 MARL

现有的许多语义通信系统大多针对单任务单模型，很难处理不同的任务。不同任务需要不同的模型然而这对于有限资源的边缘设备来说是不现实的。 因此文章提出了一种统一的基于深度学习的多任务语义通信模型U-DeepSC，可以完成文本、图像、语音的语义传输任务。 文中假设了多种任务，文本、图像、语音以及其混合组成的