最近一直在看分层强化学习，今天看了一篇Hierarchical Reinforcement Learning for Relay Selection and Power Optimization in Two-Hop Cooperative Relay Network。两跳协同中继网络中中继选择和功率优化的层次强化学习。

 

他是分了两层来处理不同动作。第一层先做了中继器选择，第二层做了功率分配。第一层虽然他说了用强化学习，但是实际上他没有用具体的网络结构，他虽然有一个选择动作的网络结构，但是这个网络的优化和传统的强化不同，他是根据自己推导出的一个式子去做的。还有一点，他第一层网络的更新，是在第二层走了多少slot后。才更新一次，就是假如第二层更新50次后，第一层更新1次。第二层网络用的dueling dqn。

强化学习读书笔记之Gradient Bandit及实现（二） - 知乎 (zhihu.com)

这里面重新说一下第一层，他用强化中的Gradient Bandit，来选择动作，这个方法我之前是不了解的，他的推导和上面知乎上的链接是一样的。所以说也是具体用了强化的某一个方法。

在做实验时，说比用两层dqn效果要好

伪代码

Enabling Efficient Scheduling in Large-Scale UAV-Assisted Mobile-Edge Computing via Hierarchical Reinforcement Learning

通过分层强化学习实现大规模无人机辅助移动边缘计算的高效调度

这篇文章主要解决的无人机在计算卸载时的问题。她用分层的方法为：第一层解决的是无人机的位置，它是一个连续变量，所以用ddpg。第二层解决无人机在该位置上做的计算卸载。卸载到哪个无人机/本地，离散离量，所以用dqn