МЕТОД БАГАТОКРИТЕРІАЛЬНОЇ МАРШРУТИЗАЦІЇ У МЕРЕЖАХ FANET З ВИКОРИСТАННЯМ ГЛИБОКОГО НАВЧАННЯ З ПІДКРІПЛЕННЯМ

Анотація

У статті представлено розробку та аналіз нового підходу до інтелектуальної маршрутизації в умовах високодинамічних мереж безпілотних літальних апаратів (FANET). Через високу мобільність та постійну зміну топології мережі, традиційні протоколи маршрутизації, як-от AODV, стають неефективними, оскільки зібрана ними інформація швидко застаріває. Це вимагає застосування інтелектуальних методів, здатних до навчання та адаптації в реальному часі. Для забезпечення ефективного зв’язку та координованого управління роєм у дослідженні використано багатоагентне навчання з підкріпленням (MARL) на основі алгоритму Q-Learning. Ключова наукова новизна полягає у модифікації традиційної багатоцільової функції винагороди, яка історично фокусувалася лише на затримці та енергоефективності. Традиційна метрика затримки ( ) була замінена на Age of Information ( ). Метрика AoI вимірює актуальність даних (час, що минув з моменту генерації пакета), а не лише час доставки, що є критично важливим для керуючих команд рою. Додатково, для підвищення кіберстійкості та надійності системи, інтегровано метрику довіри ( ). Це дозволяє алгоритму обирати не лише енергоефективний, але й надійний (захищений) шлях, запобігаючи використанню потенційно скомпрометованих вузлів-ретрансляторів. Фінальна багатоцільова функція винагороди балансує між актуальністю даних, енергоефективністю, балансуванням навантаження та довірою, забезпечуючи стійкість у динамічному середовищі. Запропоновані підходи можуть бути використані для побудови масштабованих систем керування роями роботизованих агентів, автономних інтелектуальних шлюзів і мобільних наземних станцій, що має на меті значно підвищити безпеку та загальну стійкість мереж БПЛА (FANET) в умовах критичних місій.