信道再分配是一种特殊的信道分配,它依赖于信道分配来优化一个链路中的通信性能。基于软件定义的物联网（SDN-IoT）中的信道再分配是提高网络通信性能的一种有希望的范例,因为它允许在软件定义的网络（SDN）的帮助下实现软件定义的路由器（SDR）控制器适当地调度流量负载,以满足链路中相应的信道的更好地通信。但是,现有的信道再分配工作有一些局限性:1)他们没有关注骨干网;2)他们没有考虑将流量优化引入多信道分配;3)他们没有考虑代理之间的合作。同时,受益于SDR和SDN控制器技术,我们只需要再次分配信道,因为我们可以基于链接中的原始信道分配协议来优化链路性能。因此,受益于深度强化学习的强大能力,我们构想了一种深度强化学习方法,以优化SDN-IoT核心骨干网的多信道再分配和流量控制。在本文中,我们为SDNIoT中的核心骨干网络开发了一个联合的多信道再分配和流量控制框架。在该框架中,我们设计了一个目标函数,通过将适当的流量负载调度到一条链路中的相应信道,来最大化吞吐量,同时最大程度地减少丢包率和时间延迟。首先,我们通过考虑核心骨干网中一个链路中每个信道的主要状态信息,将联合流量控制和多信道再分配问题公式化为部分可观察的马尔可夫决策过程（POMDP）过程。然后,为解决核心骨干网的动态性和复杂性,我们开发了一种基于MADDPG的流量控制和多信道再分配（TCCA-MADDPG）算法,以优化目标函数。同时,我们的TCCAMADDPG算法在递归神经网络（RNN）结构的帮助下,通过多智能体之间的协作,很好地缓解了由于部分可观察状态导致的多智能体环境的不稳定性。仿真结果表明,该算法收敛速度快,并且在平均回合奖励方面优于现有方案。