Розглянуто проблему організації процесів збору даних в автономних розподілених системах, зокрема в автономних мобільних кіберфізичних системах та автономних розподілених системах моніторингу навколишнього середовища. Запропоновано модель децентралізованого управління адаптивними процесами збору даних на основі принципу рівноваги. За допомогою цієї моделі досліджено задачу узгодження спільних колективних дій адаптивних процесів збору даних з точки зору пошуку ефективної схеми їх взаємодоповнення за умов відсутності центру управління.
Розроблено метод децентралізованого управління адаптивними процесами збору даних з використанням принципу рівноваги та навчання з підкріпленням за методом нормованої експоненційної функції. Розроблений метод дозволяє забезпечити ефективну роботу автономних розподілених систем за умов динамічних змін кількості процесів збору даних та ненадійної обмеженої інформаційної взаємодії між ними.
В результаті дослідження та моделювання роботи розробленого методу децентралізованого управління встановлено, що використання методу нормованої експоненційної функції забезпечує більш ефективний пошук рішення у порівнянні з методом адаптивного випадкового пошуку (в середньому на 28.3%). За допомогою коефіцієнту збереження ефективності отримано оцінку залежності роботи розробленого методу децентралізованого управління від зміни кількості процесів збору даних та зміни схеми інформаційної взаємодії між ними.
- Shi, Peng & Yan, Bing. (2020). A Survey on Intelligent Control for Multiagent Systems. IEEE Transactions on Systems, Man, and Cybernetics: Systems. pp.1-15. DOI: 10.1109/TSMC.2020.3042823.
- Niu, Y., Miao, K., Liu, T., Wu, L. (2023). Survey on Coordination Problems of Multi-agent System and Application in Unmanned Systems. In: Proceedings of 2022 International Conference on Autonomous Unmanned Systems (ICAUS 2022). ICAUS 2022. Lecture Notes in Electrical Engineering, vol. 1010. Springer, Singapore. DOI: 10.1007/978-981-99-0479-2_180
- Dorri, A., Kanhere, S., Jurdak, R. (2018) Multi-Agent Systems: A Survey, in IEEE Access, vol. 6. – pp. 28573-28593, DOI: 10.1109/ACCESS.2018.2831228.
- Rizk, Y., Awad, M., Tunstel, E. (2018) Decision Making in Multi-Agent Systems: A Survey, in IEEE Transactions on Cognitive and Developmental Systems, vol. 10, no. 3. – pp. 514-529, DOI: 10.1109/TCDS.2018.2840971.
- Michael G. Rabbat, Alejandro Ribeiro (2018) Multiagent Distributed Optimization, in Cooperative and Graph Signal Processing, Petar M. Djurić, Cédric Richard (eds.), Academic Press, pp. 147-167. DOI: 10.1016/B978- 0-12-813677-5.00005-5
- Richard S. Sutton, Andrew G. Barto (2018) Reinforcement Learning: An Introduction, 2nd Ed., A Bradford Book. - 532 p. ISBN: 978-026-203-924-6
- Dimitri Bertsekas (2019) Reinforcement Learning and Optimal Control, Athena Scientific. - 388 p. ISBN: 978-188-652-939-7
- Prudencio, Rafael & Maximo, Marcos & Colombini, Esther (2023) A Survey on Offline Reinforcement Learning: Taxonomy, Review, and Open Problems. IEEE Transactions on Neural Networks and Learning Systems. PP. 1. DOI: 10.1109/TNNLS.2023.3250269.
- Howard M. Schwartz (2014) Multi-Agent Machine Learning: A Reinforcement Approach, Wiley. - 256 p. ISBN: 978-111-836-208-2
- Gronauer, S., Diepold, K. (2022) Multi-agent deep reinforcement learning: a survey. Artificial Intelligence Review, 55, pp. 895–943. DOI: 10.1007/s10462-021-09996-w
- Botchkaryov, A., Golembo, V., Paramud, Y., Yatsyuk, V. (2019) Cyber-physical systems: data collection technologies, A. Melnyk (ed.), Lviv, «Magnolia 2006». – 176 p. (in Ukrainian) ISBN: 98-617-574-139-9
- Ansa Shermin S., Sarang C. Dhongdi (2022) Review of Underwater Mobile Sensor Network for ocean phenomena monitoring, Journal of Network and Computer Applications, Volume 205, 103418. DOI: 10.1016/j.jnca.2022.103418.
- Wang, Z., Li, H.X., Chen, C. (2020) Reinforcement Learning-Based Optimal Sensor Placement for Spatiotemporal Modeling. IEEE Transactions on Cybernetics; 50(6). – pp. 2861-2871. DOI: 10.1109/TCYB.2019.2901897.
- Serge Kernbach (2008) Structural Self-Organization in Multi-Agents and Multi-Robotic Systems, Logos Verlag. - 250 p. ISBN: 978-383-252-048-9
- Botchkaryov А. (2020) Structural adaptation of data collection processes in autonomous distributed systems using reinforcement learning methods, Computer Systems and Networks, Lviv Polytechics, Issue 2, Num.1, pp.13-26. (in Ukrainian) DOI: 10.23939/csn2020.01.013
- Arup Kumar Sadhu, Amit Konar (2020) Multi-Agent Coordination: A Reinforcement Learning Approach, Wiley. – 320 p. ISBN: 978-111-969-903-3
- Zhou, L., Zheng, Y., Zhao, Q., Xiao, F., Zhang, Y. (2022). Game-based coordination control of multi-agent systems. Systems & Control Letters. 169, pp. 1 24. DOI: 10.1016/j.sysconle.2022.105376.