近期我们针对GNN+强化学习的前沿成果进行了深度整合，从中筛选出19篇很有参考价值的论文，收录了neurips、AAAI等顶会顶刊上的相关工作，并配套整理了开源代码实现。
这些论文基本覆盖了当前主流方法与技术瓶颈，特别适合正在准备论文的朋友，无论你是想找创新突破口、设计课题方案，还是想复现经典模型，都能提供实质性帮助。
扫描下方二维码，回复「GNN强化」
免费获取全部论文合集及项目代码
Dependent Task Offloading in Edge Computing Using GNN and Deep Reinforcement Learning
内容：本文使用有向无环图DAG对存在子任务依赖的边缘计算卸载任务进行建模，提出DTODRL方案，将图注意力网络GAT在云端以无监督方式预训练，用来编码DAG图结构信息得到任务状态表征，再结合多层感知机提取边缘设备资源状态特征，拼接后作为强化学习输入，基于PPO近端策略优化构建多离散动作空间的深度强化学习调度器，每一步同时选择可调度子任务与其卸载位置，设计以任务完成时间下降为目标的奖励函数，在单用户单边缘与多用户多边缘仿真场景下完成实验对比，以此最小化用户任务平均完成时间。
Graph Neural Networks and Deep Reinforcement Learning Based Resource Allocation for V2X Communications
内容：本文将每条V2V链路作为图节点、链路间干扰作为带距离权重的边构建车辆通信网络图，采用引入边权重改进的GraphSAGE图神经网络从局部观测中提取包含全局拓扑干扰信息的低维节点特征，将该特征与车辆本地观测信息共同作为状态输入至DDQN深度强化学习模型，构建分布式GNN‑DDQN框架，设计兼顾V2V通信中断概率、V2I传输速率与传输时延约束的奖励函数，各V2V链路作为独立智能体自主完成信道与发射功率的联合资源分配，分别在静态与车辆数目动态变化的车联网仿真环境下开展实验验证所提方案性能。
扫描下方二维码，回复「GNN强化」
免费获取全部论文合集及项目代码
Cooperating Graph Neural Networks with Deep Reinforcement
Learning for Vaccine Prioritization
内容：本文扩展Trans‑SEIR构建Trans‑vaccine‑SEIR仿真模型，纳入人口普查区块级别的人员流动异质性来复现疾病传播演化，将城市区块作为图节点、区块间流动关系作为动态边构建时序图，采用nnConv图神经网络作为策略近似器提取包含网络结构的动态疾病特征，结合PPO近端策略优化的演员‑评论家强化学习构建RL‑GNN框架，设计融合多疾病舱室、引入基线校正的奖励函数，学习资源受限条件下的微观地理粒度疫苗优先分配策略，并在多种非药物干预仿真场景下验证模型效果。
REINFORCEMENT LEARNING AND GRAPH NEURAL NETWORKS
FOR PROBABILISTIC RISK ASSESSMENT
内容：本文将故障树这类概率风险评估模型转化为有向无环图，利用图神经网络提取图的节点、边与全局层面的结构特征，结合以PPO为代表的强化学习框架构建通用求解器，针对节点级故障概率估算、边级依赖挖掘、图级最小割集识别分别设计对应动作与奖励机制，通过智能体与不同故障树样本环境交互迭代优化策略，以此尝试缓解传统形式化求解方法面对现代复杂技术系统时计算复杂度激增的问题。
扫描下方二维码，回复「GNN强化」
免费获取全部论文合集及项目代码
