DEEP REINFORCEMENT LEARNING ASOSIDA RESURSLARNI TAQSIMLASH ALGORITMLARINING QIYOSIY TAHLILI: ZAMONAVIY YONDASHUVLAR VA ISTIQBOLLAR
Litsenziya: cc-by-sa
Annotatsiya
Soʻnggi yillarda telekommunikatsiya tarmoqlarining murakkablashuvi, 5G va 6G texnologiyalarining rivojlanishi hamda tarmoqqa ulangan qurilmalar sonining keskin ortishi bilan resurslarni samarali boshqarish muammosi yanada dolzarblashmoqda. Ushbu maqolada chuqur mustahkamlovchi oʻqitish (Deep Reinforcement Learning (DRL)) va koʻp agentli chuqur mustahkamlovchi oʻqitish (Multi-Agent Deep Reinforcement Learning (MADRL)) algoritmlarining telekommunikatsiya tarmoqlaridagi yuklama yoki resurslarni optimallashtirishdagi qoʻllanilishi tahlil qilinadi. Tadqiqot doirasida DRL va MADRL boʻyicha 40 dan ortiq ilmiy maqolalar, jumladan, Oʻzbekiston olimlarining tadqiqotlari oʻrganildi va ularning natijalari umumlashtirildi. Tahlillar shuni koʻrsatdiki, Deep Q-Network (DQN), Proximal Policy Optimization (PPO), Deep Deterministic Policy Gradient (DDPG) va Soft Actor Critic (SAC) kabi chuqur mustahkamlovchi oʻqitish algoritmlari tarmoq resurslarini boshqarish, marshrutlash va spektr taqsimlash vazifalarida dinamik muhitlarda samarali natijalar beradi. Multi-Agent Deep Deterministic Policy Gradient (MADDPG), Monotonic Value Function Factorisation (QMIX) va Multi-Agent Proximal Policy Optimization (MAPPO) kabi koʻp agentli chuqur mustahkamlovchi oʻqitish algoritmlari esa dinamik va getereogen muhitlarda yuqori samaradorlikka egaligi aniqlandi. Tadqiqot natijalariga koʻra, dinamik va getereogen telekommunikatsiya tarmoqlarida koʻp agentli chuqur mustahkamlovchi oʻqitish algoritmlarini qoʻllash va ularning masshtablanuvchanligini oshirish istiqbolli ilmiy yoʻnalishlardan biri hisoblanadi.