Бул изилдөө мобилдик аэродромдук жарыктандыруу (Mobile Airfield Lighting, MAL) системаларында көп сандагы аэродромдук жарыктандыруу түйүндөрүнүн эсептөө, байланыш жана энергия ресурстарын реалдуу убакытка жакын режимде башкаруу үчүн булут–чет–акыркы (cloud–edge–end) кызматташкан архитектураны жана терең бекемдөөчү үйрөнүүгө негизделген оптималдаштыруу ыкмасын иштеп чыгат. MAL системасы убактылуу же мобилдик конуу аянттарында жакындоо, учуп-конуу тилкеси жана рулдоо жолунун жарыктарын айлана-чөйрө жана эксплуатациялык шарттарга жараша башкарууга багытталган бөлүштүрүлгөн аэродромдук жарыктандыруу системасы. Изилдөөчүлөр жалпы системалык кечигүүнү жана энергия керектөөнү бирге азайтуучу чектөөлөрү бар оптималдаштыруу маселесин аныктап, чечүү үчүн K-medoids менен ресурстарды одоно бөлүштүрүүнү Improved Twin Delayed Deep Deterministic Policy Gradient (ITD3) аркылуу так оптималдаштыруу менен айкалыштырышкан. Python 3.12 негизиндеги дискреттик-окуя симуляцияларында 50–2000 аэродромдук жарыктандыруу түйүнү изилденип, ITD3 салыштырылган TAI, DDPG, PPO жана стандарттык TD3 ыкмаларына караганда жалпы кечигүү жана энергия керектөө жагынан кыйла ыңгайлуу натыйжаларды берген. Бирок бул жыйынтыктар чыныгы иштеп жаткан аэродромдо жүргүзүлгөн талаа текшерүүсү эмес; чыныгы MAL талаа сыноолору изилдөөдө келечектеги изилдөө багыты катары калтырылган.

Сунушталган системанын негизги идеясы бардык сенсор маалыматтарын бир борборго ташып, чечимди бир гана борбордо кабыл алуунун ордуна эсептөөнү үч деңгээлге бөлүштүрүү. Жарыктандыруу түйүндөрү жогорку жыштыктагы абал маалыматтарын чогултат жана чектелген жергиликтүү операцияларды аткарат; четки түйүндөр аймактык маалымат иштетүүнү, тапшырмаларды пландоону жана аз кечигүүчү чечимдерди өзүнө алат; булут болсо узак мөөнөттүү маалымат иштетүү, моделди үйрөтүү, глобалдык оптималдаштыруу жана координация милдеттерин аткарат. Ошентип, изилдөө мобилдик аэродромдук жарыктандырууда кечигүүнү, энергия керектөөнү, канал бөлүштүрүүнү жана эсептөө кубаттуулугун бирдиктүү оптималдаштыруу алкагында карайт.

Мобилдик аэродромдук жарыктандыруу системасындагы негизги көйгөй

Аэродромдук талаа жарыктандыруусу учуп чыгуу, жакындоо, конуу жана рулдоо маалында учкучтарга учуп-конуу тилкесинин жана рулдоо жолунун геометриясын, жакындоо огун жана эксплуатациялык багыттоону көз менен кабыл алууга жардам берет. Айрыкча көрүү начар шарттарда жарыктандыруунун жеткиликтүүлүгү, башкаруу кечигүүсү жана туура жарык конфигурациясынын түзүлүшү операциялык жактан маанилүү болуп калат.

Салттуу аэродромдук жарыктандыруу системалары көбүнчө борборлоштурулган жана чынжырга негизделген башкаруу ыкмасына таянат. Бирок A-SMGCS Level IV сыяктуу өнүккөн сценарийлерде миңдеген жарыкты учактын кыймылы менен байланышта динамикалык башкаруу талап кылынышы мүмкүн. Булак мындай учурда секундасына он миңдеген маалымат чекитине жеткен маалымат чогултуу жүгү жана миллисекунд масштабындагы башкаруу талаптары борборлоштурулган «баардык маалыматты борборго жүктө, чечимди борбордо кабыл ал» ыкмасын кыйындатат деп белгилейт.

Мобилдик аэродромдук жарыктандыруу бул масштабдуулук көйгөйүнө кошумча өлчөм алып келет. MAL системалары туруктуу учуп-конуу тилкесинин инфраструктурасына көз каранды болбогон убактылуу же мобилдик колдонуу аймактарында айлана-чөйрө шарттарына жана тейленген аба кемесине ылайык жарыктандыруу конфигурациясын ыңгайлаштырууну көздөйт. Ошондуктан жарыктарды жөн гана күйгүзүп-өчүрүү жетишсиз; көп сандагы түйүндөрдүн байланышы, эсептөө жүктөрү, энергия бюджети жана кечигүү талабы бирге башкарылышы керек.

Булут–Чет–Акыркы Архитектура Мобилдик Аэродромдук Жарыктандырууда Эмне Үчүн Колдонулат?

Булут–чет–акыркы архитектура кечигүүгө сезгич чечимдерди аэродромдук жарыктандыруу түйүндөрүнө жакын четки ресурстарда иштетип, кымбат моделдик үйрөтүүнү жана глобалдык оптималдаштырууну булутка калтыруу үчүн колдонулат; муну менен бардык маалыматты борбордук системага ташууга байланышкан кечигүү, өткөрүү жөндөмү жана бирдиктүү бузулуу чекитинин басымын азайтуу максат кылынат.

Үч эсептөө катмары

Изилдөө сунуштаган бөлүштүрүүдө четки түйүндөр жөн гана байланыш ретрансляторлору эмес. Алар эсептөө жана сактоо ресурстарына ээ жана камтуу аймагындагы аэродромдук жарыктандыруу түйүндөрүнүн маалыматтарын иштете алышат. Булут болсо бүт тармактын узагыраак убакыт масштабындагы жалпы оптималдаштырылышын жана моделди үйрөтүүнү өзүнө алат.

Байланыш моделинин биринчи кадамы: жол жоготуусу

Булак таяныч аралыктагы эркин мейкиндик жол жоготуусун Теңдеме (1) менен аныктайт:

\[ L(d_0)=\left(\frac{4\pi d_0 f}{c_v}\right)^2 \]

Бул жерде \(d_0\) таяныч аралык болуп, булак аны адатта 1 m деп көрсөтөт. \(f\) алып жүрүүчү жыштык, \(c_v\) жарыктын ылдамдыгы. Бул теңдеме байланыш каналында жыштык жана аралык негизги эркин мейкиндик жоготуусуна кандай кирерин аныктайт. Жыштык жогорулаганда башка шарттар өзгөрбөсө, бул мүчө квадраттык түрдө өсөт.

ALN менен четки түйүндүн ортосундагы аралык

n-чи аэродромдук жарыктандыруу түйүнү менен m-чи четки түйүндүн аралыгы Теңдеме (2) менен берилет:

\[ d_{n,m}=\sqrt{H^2+(x_m-x_n)^2+(y_m-y_n)^2} \]

\(x_n,y_n\) жана \(x_m,y_m\) горизонталдык координаттарды, \(H\) болсо геометриялык аралыкка кирген бийиктик компонентин көрсөтөт. Теңдеме түйүндөр ортосундагы үч өлчөмдүү геометриялык бөлүнүүнү канал моделине киргизет.

Rayleigh fading шартындагы каналдын күчөшү

Булак каналдын күчөшүн Теңдеме (3) менен аныктайт:

\[ g_{n,m}=\frac{1}{L(d_0)} \left(\frac{d_0}{d_{n,m}}\right)^\beta h \]

\(\beta\) жол жоготуусунун көрсөткүчү болуп, булак эркин мейкиндик үчүн адатта 2 маанисин көрсөтөт. \(h\) көп жолдуу таралуунун сигнал амплитудасына кокустук таасирин чагылдырган Rayleigh бөлүштүрүлгөн мүчө. Ошондуктан түйүндөр ортосундагы байланыш сапаты геометриялык аралыкка гана эмес, fading таасирине да көз каранды.

Сигнал-ызы-чуу-кедергинин катышы

n-чи ALNдин c субканалында m-чи четки түйүнгө байланышы үчүн SNR Теңдеме (4)-тө төмөнкүдөй:

\[ \mathrm{SNR}_{n,m,c} = \frac{P_{n,c}g_{n,m}} {\sigma^2+\sum_{n'\neq n}P_{n',c}g_{n',m}} \]

\(P_{n,c}\) n-чи ALNдин c субканалындагы берүү кубаттуулугу. \(\sigma^2\) ызы-чуу кубаттуулугун, жыйынтык мүчө ошол эле субканалда башка ALNдер түзгөн кедергини көрсөтөт. Бөлчөктүн алымындагы пайдалуу кабыл алынган кубат көбөйгөн сайын SNR өсөт, ызы-чуу же жалпы канал кедергиси көбөйгөн сайын SNR төмөндөйт.

Байланыш ылдамдыгы

Булак Shannon мамилесине таянып ALN–EN байланыш ылдамдыгын Теңдеме (5) менен берет:

\[ R_{n,m} = B\sum_{c=1}^{C}\log_2 \left(1+\mathrm{SNR}_{n,m,c}\right) \]

\(B\) зымсыз каналдын өткөрүү тилкеси, \(C\) субканалдардын саны. Бул маани кийинки жүктөө кечигүүсүн эсептөөнүн түз кириши болуп саналат. Бирдей маалымат көлөмүндө \(R_{n,m}\) чоңойгон сайын маалымат берүү убактысы азаят.

Жергиликтүү эсептөө кечигүүсү

n-чи ALNдин жергиликтүү алдын ала иштетүү кечигүүсү:

\[ T_n^{local} = \frac{D_n C_n}{cf_n} \]

түрүндө. \(D_n\) иштетиле турган маалымат көлөмүн, \(C_n\) ар бир маалымат үлгүсүнө эсептөө жүгүн, \(cf_n\) болсо ALNдин жергиликтүү эсептөө кубаттуулугун көрсөтөт. Маалымат жана иштетүү жүгү өскөн сайын кечигүү көбөйөт, эсептөө кубаттуулугу өскөн сайын кечигүү азаят.

ALNден четки түйүнгө маалымат жүктөө убактысы

\[ T_{n,m}^{up} = \frac{|w_n|}{R_{n,m}} \]

Бул жерде \(|w_n|\) жүктөлүүчү параметр маалыматтарынын көлөмү. Байланыш ылдамдыгы бирдей маалымат көлөмү үчүн эки эсе көбөйсө, бул жүктөө кечигүүсү математикалык жактан эки эсе азайышы күтүлөт.

Бир ALN үчүн жалпы кечигүү жана энергия

\[ T_n=T_n^{local}+T_{n,m}^{up} \]

\[ E_n= \kappa cf_n^3T_n^{local} + P_{n,c}T_{n,m}^{up} \]

Энергия моделинин биринчи мүчөсү жергиликтүү эсептөөнү, экинчи мүчөсү зымсыз берүү чыгымын көрсөтөт. Иштетүү жыштыгынын кубу менен келген \(cf_n^3\) мүчөсү эсептөө ылдамдыгын көбөйтүү энергия жагынан сызыктуу эмес чыгым жаратарын көрсөтөт. Бул байланыш изилдөө эмне үчүн кечигүүнү гана азайтпастан, кечигүү менен энергияны бирге оптималдаштырарын түшүндүргөн математикалык өзөк.

Четки эсептөө чыгымы

m-чи четки түйүндүн жергиликтүү параметр тапшырмасын иштетиши үчүн булак:

\[ T_{m,k}^{com} = \sum_{n=1}^{N} \alpha_{n,m} \frac{|w_n|c_m}{cf_m} \]

\[ E_{m,k}^{com} = \kappa cf_m^3T_{m,k}^{com} \]

теңдемелерин колдонот. \(\alpha_{n,m}\) n-чи ALN m-чи четки түйүндү тандаганын же тандабаганын аныктаган бинардык өзгөрмө. \(c_m\) четки түйүндүн ар бир битке эсептөө жүгүн, \(cf_m\) четки эсептөө кубаттуулугун билдирет.

Четки түйүндөн булутка жүктөө

\[ T_{m,k}^{up} = \frac{|w_m|}{R_{m,L}} \]

\[ E_{m,k}^{up} = P_m T_{m,k}^{up} \]

\(|w_m|\) m-чи четки түйүн булутка өткөргөн маалымат көлөмү; \(R_{m,L}\) чет–булут байланыш ылдамдыгы, \(P_m\) ушул байланыш үчүн колдонулган берүү кубаттуулугу.

Булуттагы эсептөө кечигүүсү

Булак булуттагы иштетүү убактысын Теңдеме (11) менен берет:

\[ T_{L,k_L}^{com} = \sum_{m=1}^{M} \frac{|w_m|c_L}{cf_L} \]

\(c_L\) булуттун ар бир битке эсептөө жүгүн, \(cf_L\) болсо булуттун иштетүү кубаттуулугун билдирет. Булак боюнча четки кубат тапшырманы аткара алса, булут колдоосу колдонулбай калышы мүмкүн жана тиешелүү булут эсептөө кечигүүсү нөл деп алынат.

Натыйжаларды булуттан кайра бөлүштүрүү

Булакта булут → чет → ALN кайра бөлүштүрүүсү үчүн Теңдеме (12) жана (13) колдонулат:

\[ T_{L,k_L}^{down} = \max_{m=1,2,\ldots,M} \left( \frac{|w_L|}{R_{L,m}} + \sum_{n=1}^{N} \alpha_{m,n} \frac{|w_L|}{R_{m,n}} \right) \]

\[ T_{m,k}^{down} = \sum_{n=1}^{N} \alpha_{m,n} \frac{|w_L|}{R_{m,n}} \]

Булак бул бөлүмдө \(L\) белгисин булут үчүн колдонуп, \(|w_L|\) туюнтмасын “L-th EN” маалымат көлөмү деп түшүндүрөт. Бул туюнтма мурунку символ аныктамалары менен толук шайкеш көрүнбөгөндүктөн, Verianla тексти нотацияны унчукпай өзгөрткөн эмес.

Жалпы системалык кечигүү

ALN, четки жана булуттагы иштетүү/берүү компоненттери бириктирилип, жалпы кечигүү Теңдеме (14a)-да түзүлөт:

\[ T^{all} = \max_{m\in\{1,2,\ldots,M\}} \left[ \sum_{n\in N_m} \left( T_n^{local}+T_{n,m}^{up} \right) + \left( T_{m,k}^{com} + T_{m,k}^{up} + T_{m,k}^{down} \right) \right] + \left( T_{L,k_L}^{com} + T_{L,k_L}^{down} \right) \]

Бул жердеги максимум оператору параллелдүү четки аймактар ичинде жалпы системанын жообу эң жай критикалык жол менен чектелет деген идеяны билдирет.

Булак жалпы энергия үчүн Теңдеме (14b)-ни төмөнкү нотация менен берет:

\[ E^{all} = \sum_{n=1}^{N}E_n + \sum_{i=1}^{M}E_{i,n}^{all} \]

Экинчи сумманын \(E_{i,n}^{all}\) белгиси булак текстинде өзүнчө деталдуу кайра аныкталбагандыктан, бул жерде башка белги менен алмаштырылган эмес.

Кечигүү менен энергия эмне үчүн бирге оптималдаштырылат?

Кечигүүнү гана азайтуу эсептөө жыштыгын же берүү кубаттуулугун жогорулатып, энергия чыгымын көбөйтүшү мүмкүн. Энергияны гана азайтуу болсо иштетүү менен маалымат берүүнү жайлатып, реалдуу убакыттагы башкаруу талабынан ашууга алып келиши мүмкүн. Ошондуктан изилдөө эки максатты салмакталган бирдиктүү максат функциясында бириктирет.

\[ P1: \min_{\alpha_{m,n},cf_i} \lambda_1T^{all}(\alpha_{m,n},f_i) + \lambda_2E^{all}(\alpha_{m,n},cf_i) \]

Булакта кечигүү мүчөсүндө \(f_i\), энергия мүчөсүндө \(cf_i\) нотациясы колдонулган; Verianla өзөгү бул нотация айырмасын унчукпай теңебейт.

Чектөөлөр Теңдеме (16)-да төмөнкүдөй аныкталган:

\[ C1: T_n(\alpha_{m,n},cf_i)\le T_{max} \]

\[ C2: E^{all}\le E_{max} \]

\[ C3: \sum_{n=1}^{N}\phi_{n,c}\le1 \]

\[ C4: 0<cf_i\le f_{max} \]

C1 ар бир түйүндүн уруксат берилген максималдуу кечигүүдөн ашышына жол бербейт. C2 жалпы энергия бюджетин чектейт. C3 бир субканалды ошол эле учурда бирден ашык ALN ээлебешин милдеттендирет. C4 болсо четки/булут эсептөө ресурсу физикалык кубаттуулуктан ашышына жол бербейт.

K-Medoids жана ITD3 Бирге Кантип Иштейт?

K-medoids алгач көп сандагы аэродромдук жарыктандыруу түйүндөрүн кечигүү чыгымына жараша четки түйүндөргө одоно топтоп, издөө мейкиндигин кичирейтет; ITD3 андан кийин ушул баштапкы бөлүштүрүүнүн үстүндө түйүн тандоону, канал бөлүштүрүүнү жана үзгүлтүксүз ресурс өзгөрмөлөрүн чектөөлөр алдында такыраак оптималдаштырат.

K-medoids менен одоно ALN–EN бөлүштүрүү

Булак ALN–EN учунан-учуна кечигүү/чыгым маалыматтарын кластерлөө өзгөчөлүгү катары колдонот. Процесс беш негизги кадамдан турат: башында M даана ALN medoid талапкери тандалат; бардык ALNдер кечигүү чыгымы эң төмөн кластерге дайындалат; ар бир кластердеги борбор кайра эсептелет жана кечигүү чектөөсүн канааттандырбаган талапкерлер чыгарылат; борборлор өзгөрбөй калганга же кластер ичиндеги аралык өзгөрүүсү босого мааниден төмөн түшкөнгө чейин процесс кайталанат; аягында ITD3 үчүн баштапкы канал/түйүн бөлүштүрүү матрицасы алынат.

K-medoids баскычынын милдети акыркы оптимумду өзү жалгыз табуу эмес. Анын негизги функциясы миңдеген түйүн болгон учурда ITD3 майда оптималдаштырууну баштай турган маселе мейкиндигин башкарылуучураак кылуу.

ITD3 абал мейкиндиги

Булактын абал вектору Теңдеме (17)-де төмөнкүдөй:

\[ S= \{ cf_m, cf_n, P_{n,c}, R_{n,m}, T_n, E_n, E_m^{rem} \} \]

Абал четки жана ALN иштетүү кубаттуулугу, берүү кубаттуулугу, байланыш ылдамдыгы, бир түйүндүн кечигүүсү, ALN энергия керектөөсү жана четки түйүндө калган энергия сыяктуу динамикалык өзгөрмөлөрдү камтыйт. Бардык абал өзгөрмөлөрү нейрон тармагын үйрөтүүдө масштаб айырмасынын таасирин азайтуу үчүн [0,1] аралыгына нормалдаштырылат.

ITD3 аракет мейкиндиги

Булак Теңдеме (18)-де аракет мейкиндигин төмөнкүдөй берет:

\[ A= \{ \alpha_{m,n}, \phi_{m,c}, P_m \} \]

\(\alpha_{m,n}\) параметрлер кайсы четки түйүнгө жүктөлөрүн көрсөткөн бинардык тандоону, \(\phi_{m,c}\) канал бөлүштүрүүнү билдирет. Булак тексти \(P_m\)-ди бул жерде тапшырмаларга жараша эсептөө ресурстарынын пропорционалдуу бөлүштүрүлүшү катары түшүндүрөт. Бирок мурунку байланыш/энергия моделинде \(P_m\) четки түйүндүн берүү кубаттуулугу катары колдонулган. Булак ичиндеги бул символдук бүдөмүктүк сакталып, башка аныктама менен унчукпай жоюлбашы керек.

Сыйлык функциясы

ITD3 агенти кечигүү жана энергия маанилерин түздөн-түз азайтуунун ордуна алардын терс салмакталган маанисин жана чектөө бузулууларын камтыган сыйлыкты максималдаштырат:

\[ r(S,A) = -\lambda_1\frac{T^{all}(S,A)}{T_{max}} -\lambda_2\frac{E^{all}(S,A)}{E_{max}} -\gamma\sum_{k=1}^{4}Pen_k(S,A) \]

Жаза мүчөлөрү булакта:

\[ Pen_1=1 \text{ eğer } T_n>T_{max}, \text{ aksi halde } 0 \]

\[ Pen_2=1 \text{ eğer } E^{all}>E_{max}, \text{ aksi halde } 0 \]

\[ Pen_3=1 \text{ eğer } \sum_n\phi_{n,c}>1, \text{ aksi halde } 0 \]

\[ Pen_4=1 \text{ eğer } f_i>f_{max}, \text{ aksi halde } 0 \]

түрүндө. Колдонулган жаза коэффициентинин сунушталган мааниси \(\gamma=10\). Ошентип, чектөөнү бузган аракеттердин сыйлыгы төмөндөтүлүп, агенттин аз кечигүүчү гана эмес, ишке ашырылуучу чечимдерди тандашы көздөлөт.

Стандарттык TD3кө киргизилген үч негизги өзгөртүү

Actor жана critic тармактары

Булактагы таблица actor жана Q1 үчүн үч өлчөм маанисин \(256,128,64\) бергени менен түзүлүштү “2-layer FC” деп атайт. Бул жерде архитектураны булакта жазылбаган катмардык чечмелөө менен өзгөртпөстөн, баштапкы көрсөтүлүшү сакталган.

Активдештирүү функциялары

ReLU:

\[ \operatorname{ReLU}(x)=\max(0,x) \]

Tanh:

\[ \tanh(x) = \frac{e^x-e^{-x}} {e^x+e^{-x}} \]

Softmax:

\[ \operatorname{Softmax}(x_i) = \frac{e^{x_i}} {\sum_{j=1}^{n}e^{x_j}} \]

Tanh үзгүлтүксүз actor чыгышында, Softmax болсо дискреттик канал бөлүштүрүү бутакта колдонулат. Adam optimizer тармак салмактарын жаңыртууда колдонулат.

ITD3 үйрөтүү цикли

Үйрөтүү actor, target actor, эки critic жана алардын target тармактарын баштоо менен башталат. Prioritized Experience Replay буферинин сыйымдуулугу \(10^6\) деп белгиленген. Actor учурдагы абалда аракет чыгарат жана изилдөө үчүн Gaussian ызы-чуусу кошулат; изилдөө ызы-чуусу үйрөтүү жүргөн сайын 0,1ден 0,01ге чейин азайтылат.

Ар бир өз ара аракеттенүүдөн \((S,A',r,S')\) тажрыйбасы replay bufferга жазылат. Үйрөтүү учурунда 64 же 128 үлгүдөн турган batchтер артыкчылыкка жараша тандалат жана Importance Sampling Weights менен priority samplingден келип чыккан кыйшайыш оңдолот. Target critic үчүн эки Q божомолунун минимумы колдонулуп, TD3түн ашыкча баалоо тенденциясы азайтылат.

Critic тармактары максаттуу Q-мааниге жараша орточо квадраттык катага окшош жоготуулар менен жаңыртылат; actor болсо:

\[ L_\pi=-E[Q_1(S,\pi(S))] \]

саясат жоготуусун азайтуу аркылуу жаңыртылат.

Target тармактарды жумшак жаңыртууда \(\tau=0.005\) колдонулат:

\[ \theta_{\pi_{target}} \leftarrow \tau\theta_\pi + (1-\tau)\theta_{\pi_{target}} \]

\[ \theta_{Q_{target}} \leftarrow \tau\theta_Q + (1-\tau)\theta_{Q_{target}} \]

Сыйлык функциясынын жылма орточосу 500 удаалаш кадам бою жакшырбаса же максималдуу үйрөтүү кадамдарынын санына жетсе, үйрөтүү токтотулат.

Изилдөөнүн Ыкмасы жана Жыйынтыктары

Симуляция Кайсы Шарттарда Жүргүзүлгөн?

Иштөө натыйжалуулугу Python 3.12 менен иштелип чыккан дискреттик-окуя симуляторунда, 50дөн 2000ге чейинки аэродромдук жарыктандыруу түйүндөрү жана N/25 катышындагы четки түйүндөр колдонулуп бааланган; ар бир шарт 100 ms болгон 3600 убакыт тилимин камтыган 6 мүнөттүк симуляция жана 10 көз карандысыз кокустук seed боюнча бааланган.

\(M=N/25\) эрежесине ылайык изилденген беш ALN масштабы тиешелүүлүгүнө жараша 2, 4, 20, 40 жана 80 четки түйүнгө туура келет. Бул маанилер булактын параметрлештирүүсүнүн түз математикалык натыйжасы; өзүнчө эксперименттик жыйынтык эмес.

ITD3 үйрөтүү параметрлери

Булак MAL реалдуу убакыттагы башкарууда аз кечигүү артыкчылыктуу болгондуктан \(\lambda_1=0.7\), \(\lambda_2=0.3\) тандаган. Бул айкалыш 0,5/0,5; 0,6/0,4; 0,7/0,3 жана 0,8/0,2 варианттарынын арасынан изилдөөдө эң ылайыктуу кечигүү–энергия тең салмагын берген.

Симуляциянын узактыгы жана кайталоолор

Ар бир убакыт тилими \(\Delta t=100\) ms. Бир жүрүш \(T=3600\) убакыт тилимине созулат; бул 360 секунд же 6 мүнөт симуляцияланган системалык убакытка туура келет. Жыйынтыктар ар башка random seed менен жүргүзүлгөн 10 көз карандысыз жүрүштүн орточосу.

Симуляция жана үйрөтүү Intel Core i9-10700K CPU, NVIDIA RTX 4060 GPU жана Python 3.12 колдонулган платформада аткарылган.

Салыштырылган алгоритмдер

Үйрөтүү жүргөн сайын кечигүү жана энергия

Булак 5-сүрөттө үйрөтүү epoch саны көбөйгөн сайын жалпы кечигүүнү жана жалпы энергия керектөөнү салыштырат. ITD3 ийри сызыгы салыштырылган алгоритмдер арасында төмөнүрөөк туруктуу кечигүү жана энергия аймагына жетет. Булак ошондой эле болжол менен 2000 үйрөтүү epoch-унан кийин бардык ыкмаларда кошумча жакшыртуу аз болуп каларын белгилейт.

График чийки сандык чекиттерди таблица түрүндө бербегендиктен, Verianla тексти 5-сүрөттөн көз менен окулган так пайыздарды же майда иштөө айырмаларын чыгарбайт. Булак түздөн-түз колдогон жыйынтык — алгоритмдердин салыштырмалуу тенденциясы жана ITD3түн ушул симуляция шарттарындагы артыкчылыктуу көрсөткүчү.

Түйүндөрдүн саны көбөйгөндө эмне болот?

6-сүрөттө \(N=50,100,500,1000,2000\) үчүн ITD3 жүрүм-туруму салыштырылат. ALN саны көбөйгөн сайын жалпы кечигүү да, жалпы энергия керектөө да өсөт. Булак муну көбүрөөк түйүндүн үйрөтүү жана иштетүү процессине катышуусу жергиликтүү эсептөө убактысын жана энергия керектөөнү көбөйтүшү менен түшүндүрөт.

Бул табылга ыкманын масштабдуулугу «түйүндөрдүн саны көбөйгөн сайын чыгым өзгөрбөйт» дегенди билдирбестигин көрсөтөт. ITD3 чоң маселе өлчөмдөрүндө салыштырмалуу артыкчылык берсе да, физикалык жана эсептөө жүгү баары бир өсөт.

Үйрөнүү ылдамдыгынын таасири

Булак 7-сүрөттө actor үйрөнүү ылдамдыгы \(\mu\) менен critic үйрөнүү ылдамдыгы \(\rho\)-ну бирге өзгөрткөн. Баштапкы \(\mu=0.001\) жана \(\rho=0.01\) деңгээлдеринен кичирээк маанилерге өткөндө кечигүү жана энергия боюнча жакшыртуу байкалат.

\(\mu=0.000025\) жана \(\rho=0.00025\) айкалышы алгач жайыраак жакындайт, бирок 2000 epoch-тан кийин булак аны эң жакшы туруктуу жалпы кечигүү жана энергия маанилерин берген жөндөө катары сүрөттөйт.

Үйрөнүү ылдамдыктары дагы азайтылып \(\mu=0.00001\), \(\rho=0.0001\) болгондо көрсөткүч кайра начарлаган. Булак муну өтө жогорку үйрөнүү ылдамдыгы үйрөтүү термелүүсүн, өтө төмөн үйрөнүү ылдамдыгы жай жакындашууну жаратышы менен түшүндүрөт. 2000 epoch-ка чейин \(\mu=0.0001\), \(\rho=0.001\) жөндөөсү жакындашуу ылдамдыгы менен натыйжалуулуктун ортосунда ылайыктуу тең салмак көрсөткөн.

ITD3 Жыйынтыктары Чыныгы Аэродромдогу Талаа Ийгилигин Далилдейби?

Жок. Изилдөөнүн деталдуу натыйжалуулук баалоосу Python негизиндеги дискреттик-окуя симуляцияларынан турат жана авторлор чыныгы аэродром MAL системаларындагы талаа сыноолорун келечектеги иш катары көрсөтүшөт; ошондуктан билдирилген кечигүү жана энергия артыкчылыктарын чыныгы операциялык аэродромдо текшерилген көрсөткүч катары жалпылоого болбойт.

Изилдөө колдогон жыйынтыктар

Булак аныкталган симуляция параметрлери жана салыштыруу ыкмалары шартында K-medoids + ITD3 мамилеси жалпы кечигүү жана жалпы энергия керектөө боюнча TAI, DDPG, PPO жана стандарттык TD3кө караганда ыңгайлуу көрсөткүч берерин колдойт.

Булак ошондой эле ITD3 көрсөткүчү бир гана үйрөнүү ылдамдыгынын маанисине көз каранды эмес экенин жана ылайыктуу гиперпараметр аралыктарында артыкчылык сакталарын билдирет. Бирок «ылайыктуу аралык» жана көрсөткүч артыкчылыгы ушул изилдөө аныктаган симуляция чөйрөсү менен чектелет.

Изилдөө колдобогон жыйынтыктар

Изилдөө чыныгы аэродромдо учуу коопсуздугу өлчөнө тургандай жогорулаганын, чыныгы учактардын конуу убактысы азайганын же система A-SMGCS Level IV чөйрөсүндө операциялык сертификат алганын көрсөтпөйт.

Изилдөө ошондой эле чыныгы аэродром талаа тармагында өлчөнгөн учунан-учуна кечигүү бөлүштүрүүлөрүн, талаадагы энергия керектөөнү же жабдуунун узак мөөнөттүү бузулуу жүрүм-турумун билдирбейт. Мындай тыянактар симуляциянын көрсөткүчүнөн тышкары чыгат.

Булактагы “prototype” сөзүнүн чеги

Жыйынтык бөлүмүндө авторлор “MAL system prototype” боюнча эксперименттик баалоо жана кеңири симуляциялар тууралуу сөз кылышат. Бирок метод бөлүмүндө деталдуу документтештирилген натыйжалуулук баалоосу Python 3.12 негизиндеги дискреттик-окуя симуляциясы болуп, чыныгы аэродром MAL талаа сыноолору келечектеги изилдөө катары көрсөтүлгөн. Ошондуктан “prototype” сөзүн чыныгы операциялык аэродромдо аяктаган талаа текшерүүсүнө тең деп кабыл алууга болбойт.

Кайра өндүрүлүү мүмкүнчүлүгүнүн чеги

Булак симуляция топологиясы, негизги физикалык параметрлер, алгоритм салыштыруулары, үйрөнүү ылдамдыктары, replay buffer сыйымдуулугу, batch size, soft-update ылдамдыгы, жаза коэффициенти, убакыт тилими жана кайталанган жүрүштөрдүн саны сыяктуу көптөгөн кайра өндүрүү параметрлерин берет.

Бирок макаланын Data Availability Statement бөлүмүндө негизги маалыматтар аэродромдун операциялык маалыматтарынын proprietary мүнөзүнө байланыштуу коомчулукка ачык берилбей турганы айтылат. Бул көз карандысыз изилдөөчүнүн бардык маалымат кириштерин так кайра колдонуп, толук кайталоо жүргүзүү мүмкүнчүлүгүн чектейт.

Статистикалык чечмелөөнүн чеги

Симуляция жыйынтыктары 10 көз карандысыз random seed жүрүшүнүн орточосу боюнча берилген. Бирок салыштыруу графиктеринде ишеним аралыгы, ката тилкеси, p мааниси же статистикалык маанилүүлүк тести көрсөтүлгөн эмес. Ошондуктан «ITD3 бардык шартта сөзсүз артык» деген универсалдуу статистикалык жыйынтык чыгарууга болбойт.

Келечектеги иш

Авторлор чыныгы аэродром MAL системаларындагы талаа эксперименттерин, кыйла өнүккөн адаптивдүү машиналык үйрөнүү ыкмаларын, ыкманы башка акылдуу аэродром колдонмолоруна кеңейтүүнү, өнүккөн стимул механизмдерин жана ресурсу чектелген четки түзмөктөр үчүн жеңил коопсуздук чечимдери менен 5G URLLC интеграциясын келечектеги изилдөө темалары катары көрсөтүшөт.

Мындан тышкары DDPG жана PPO сыяктуу башка терең бекемдөөчү үйрөнүү ыкмаларын ошол эле K-medoids кластерлөө баскычы менен бириктиргенде кандай өзгөрөрүн изилдөө сунушталат.

Булак жана Ыкма Жөнүндө Эскертүү

Түпнуска аталыш: Edge-Based Intelligent Task Management for Mobile Airfield Lighting Control

Авторлор: Li Jiang; Hong Wen; Wenjing Hou; Fan Sun

Кат алышуучу авторлор: Hong Wen; Wenjing Hou

Мекемелер: School of Aeronautics and Astronautics, University of Electronic Science and Technology of China; Research and Development Centre, The Second Research Institute of CAAC; Sichuan Intelligent IoT Communication Technology Engineering Research Center, University of Electronic Science and Technology of China; Aircraft Swarm Intelligent Sensing and Cooperative Control Key Laboratory of Sichuan Province.

Журнал: Aerospace

Басма: MDPI

Том / Сан / Макала: 13 / 5 / 424

DOI: 10.3390/aerospace13050424

Даталар: Кабыл алынды: 10 Март 2026; кайра каралды: 29 Апрель 2026; кабыл алынды: 29 Апрель 2026; жарыяланды: 1 Май 2026.

Булак түрү: Рецензияланган изилдөө макаласы; математикалык системалык моделдөө, терең бекемдөөчү үйрөнүүгө негизделген оптималдаштыруу жана дискреттик-окуя симуляциясы.

Лицензия: Creative Commons Attribution (CC BY).

Негизги система: Mobile Airfield Lighting (MAL) үчүн cloud–edge–end тапшырма башкаруусу.

Негизги оптималдаштыруу ыкмасы: K-medoids одоно бөлүштүрүү + Improved Twin Delayed Deep Deterministic Policy Gradient (ITD3) так оптималдаштыруу.

Салыштырылган ыкмалар: TAI, DDPG, PPO, TD3 жана ITD3.

Симуляция программасы: Python 3.12 негизиндеги discrete-event simulator.

Эсептөө жабдуусу: Intel Core i9-10700K CPU жана NVIDIA RTX 4060 GPU.

Симуляция масштабы: 50–2000 ALN; EN саны N/25; 100 ms убакыт тилими; 3600 убакыт тилими / жүрүш; 10 көз карандысыз random seed.

Каржылоо: Sichuan Science and Technology Program, Grant 2024ZDZX0007; NSFC, Grants U23B2021 жана 62302082.

Маалыматтардын жеткиликтүүлүгү: Макаланын негизиндеги маалыматтар аэродромдун операциялык маалыматтарынын proprietary мүнөзүнө байланыштуу коомчулукка ачык бөлүшүлбөйт.

Кызыкчылыктардын кагылышы: Авторлор кызыкчылыктардын кагылышы жок экенин билдиришет.

Авторлордун салымы: Концептуалдаштыруу: Li Jiang, Hong Wen, Wenjing Hou. Ыкма: Li Jiang, Hong Wen, Wenjing Hou. Программалык камсыздоо: Li Jiang, Wenjing Hou. Текшерүү: Hong Wen. Формалдык талдоо жана изилдөө: Fan Sun. Алгачкы долбоор: Li Jiang, Fan Sun, Wenjing Hou. Карап чыгуу жана редакциялоо: Hong Wen, Wenjing Hou.

Булак ичиндеги маанилүү нотация чеги: Теңдеме (18)-де колдонулган \(P_m\) белгисинин түшүндүрмөсү мурунку энергия/байланыш бөлүмүндөгү колдонулушу менен толук шайкеш эмес. Ошондой эле булак Table 1 actor жана Q1 түзүлүштөрүндөгү 256/128/64 өлчөмдөрүн “2-layer FC” деген ат менен берет. Verianla тексти бул пункттарды унчукпай оңдобой, түпнуска булак нотациясын сактаган.

Негизги методологиялык чектөө: Натыйжалуулук далили негизинен модель жана симуляция деңгээлинде. Чыныгы аэродром MAL талаа сыноолору азырынча бул изилдөөнүн деталдуу текшерүү топтомуна кирбейт жана авторлор тарабынан келечектеги иш катары көрсөтүлгөн.