一种多智能体系统及其深度强化学习负载均衡方法

本发明公开了一种多智能体系统及其深度强化学习负载均衡方法，这种方式降低了智能体选择动作的复杂性，能更容易达到整体上的性能最优。本发明将请求分配划分为两个阶段，第一个阶段中央智能体选择数据中心，第二个阶段本地智能体选择节点，从而避免多智能体环境不稳定的问题。此外对每个智能体的请求分配都建模成马尔科夫决策过程，对状态空间、动作空间、奖励函数和状态转移的定义做了详细的说明。在网络结构方面，本发明采用了对决网络，相较于单流的Q网络，对决网络具有学习更快更好的特点。在探索与利用方面，本发明使用了改进的面向负载均衡的动作探索策略。最后，本发明给出了算法的伪代码和学习过程图，说明了算法的训练过程。