量子启发的多智能体强化学习用于无人机辅助的6G网络部署

本文提出了一种新颖的方法，利用量子启发的多智能体强化学习（QI MARL）来优化无人机辅助的6G网络部署。将经典MARL与量子优化技术相结合，特别是变分量子电路（VQC）和量子近似优化算法（QAOA），是一个很有前途的方向。使用贝叶斯推断和高斯过程来模拟环境动态增加了另一层复杂性。实验结果，包括可扩展性测试以及与PPO和DDPG的比较，表明所提出的框架在样本效率、收敛速度和覆盖性能方面有所提高。然而，在实际场景中实施这种系统的实际可行性和计算成本需要进一步研究。对集中式训练的依赖也可能在高度分散的环境中构成限制。

• •量子启发的技术可以提高复杂环境中MARL的性能。
• •无人机辅助的6G网络部署受益于优化的探索-利用策略。
• •具有分散执行的集中式训练（CTDE）是多智能体协调的可行方法。