ІНТЕЛЕКТУАЛЬНІ МЕТОДИ АВТОНОМНОЇ НАВІГАЦІЇ ТА КОЛЕКТИВНОГО УПРАВЛІННЯ РОЗПОДІЛЕНИМИ СИСТЕМАМИ В MESH-МЕРЕЖАХ

Олексій Мельник

doi:10.28925/2663-4023.2026.34.1307

Автор(и)

Олексій Мельник Інститут проблем математичних машин та систем Національної академії наук України https://orcid.org/0009-0003-4800-6014

DOI:

https://doi.org/10.28925/2663-4023.2026.34.1307

Ключові слова:

автономна навігація, колективне управління, Mesh-мережі, розподілені та багатоагентні системи, штучний інтелект, машинне навчання, децентралізована маршрутизація, самоорганізовані мережі.

Анотація

Актуальність дослідження зумовлена зростанням ролі розподілених кіберфізичних систем, безпілотних платформ та автономних агентів. Їх функціонування потребує надійної навігації, адаптивного обміну даними та узгодженого прийняття рішень у динамічних середовищах. Особливого значення набуває використання Mesh-мереж, що забезпечують децентралізовану взаємодію між вузлами та підвищують стійкість системи до відмов окремих елементів. Метою дослідження є аналіз та узагальнення інтелектуальних методів автономної навігації й колективного управління розподіленими системами в Mesh-мережах, а також визначення перспектив їх практичного застосування. Для досягнення поставленої мети використано методи системного аналізу, порівняльного оцінювання алгоритмів штучного інтелекту, багатоагентного управління та децентралізованої маршрутизації даних. У результаті дослідження визначено особливості застосування методів машинного навчання, підкріплювального навчання та колективного прийняття рішень для забезпечення автономної навігації мобільних агентів у розподіленому інформаційному середовищі. Встановлено, що поєднання інтелектуальних алгоритмів із самоорганізованою архітектурою Mesh-мереж сприяє підвищенню адаптивності, масштабованості та надійності функціонування розподілених систем. Обґрунтовано доцільність використання багатоагентних підходів для координації дій автономних вузлів в умовах обмеженості ресурсів і змінної топології мережі. Наукова новизна роботи полягає в комплексному узагальненні сучасних підходів до інтеграції інтелектуальних методів навігації та колективного управління в Mesh-мережах. Практична значущість результатів пов’язана з можливістю їх використання під час розроблення безпілотних систем, робототехнічних комплексів, мереж сенсорного моніторингу та інших розподілених інформаційно-керуючих систем. Подальші дослідження доцільно спрямувати на вдосконалення механізмів адаптивної взаємодії агентів і підвищення ефективності прийняття рішень у складних мережевих середовищах.

Завантаження

Дані завантаження ще не доступні.

Посилання

Shukla, B. K., Parashar, B., Singla, V. K., & Verma, S. (2025). Autonomy and adaptive architectures in distributed systems. Distributed and Parallel Computing, 183–218. https://doi.org/10.1002/9781394288038.ch9

Dulce-Galindo, J. A., Santos, M. A., Raffo, G. V., & Pena, P. N. (2022). Distributed supervisory control for multiple robot autonomous navigation performing single-robot tasks. Mechatronics, 86, 102848. https://doi.org/10.1016/j.mechatronics.2022.102848

Nahavandi, S., Alizadehsani, R., Nahavandi, D., Mohamed, S., Mohajer, N., Rokonuzzaman, M., & Hossain, I. (2025). A comprehensive review on autonomous navigation. ACM Computing Surveys, 57(9), 1–67. https://doi.org/10.1145/3727642

Ivanotchak, O., Kedenko, I., Kulish, S., Hlibchuk, A., & Dmytrenok, S. (2024). Conceptualization of neural models for decision support tasks. Herald of Khmelnytskyi National University. Technical Sciences, 335(3(1)), 78–87. https://doi.org/10.31891/2307-5732-2024-335-3-11

Morokhovych, B. V. (2026). Artificial intelligence models in the task of monitoring the ecological environment of the region. System Technologies, 2(163), 161–171. https://doi.org/10.34185/1562-9945-2-163-2026-15

Maldonado, D., Cruz, E., Torres, J. A., Cruz, P. J., & Benitez, S. D. P. G. (2024). Multi-agent systems: A survey about its components, framework and workflow. IEEE Access, 12, 80950–80975. https://doi.org/10.1109/ACCESS.2024.3409051

Liu, D., Ren, F., Yan, J., Su, G., Gu, W., & Kato, S. (2024). Scaling up multi-agent reinforcement learning: An extensive survey on scalability issues. IEEE Access, 12, 94610–94631. https://doi.org/10.1109/ACCESS.2024.3410318

Yena, M. V., & Bykov, A. M. (2025). Hybrid routing algorithms for multilevel air traffic control systems. Systems of Arms and Military Equipment, (2(82)), 122–128. https://doi.org/10.30748/soivt.2025.82.15

Guo, Z., Zhang, Y., Liu, S., Wang, X. V., & Wang, L. (2023). Exploring self-organization and self-adaption for smart manufacturing complex networks. Frontiers of Engineering Management, 10(2), 206–222. https://doi.org/10.1007/s42524-022-0225-1

Salnyk, S. (2023). Methodology for hybrid construction and maintenance of data transmission routes in programmable mobile radio communication devices based on neural networks. Information Technology and Security, 11(2), 239–250. https://doi.org/10.20535/2411-1031.2023.11.2.293815

Yeremenko, O. S., & Mersni, A. (2020). Improving the fault tolerance of modern infocommunication network elements using default gateway redundancy protocols. Problems of Telecommunications, (2(27)), 68–81. https://doi.org/10.30837/pt.2020.2.06

Dzhus, O., & Lobur, M. (2025). Analysis of the state and problems of functioning of wireless AD HOC and MESH networks. Cybersecurity: Education, Science, Technique, 2(30), 727–751. https://doi.org/10.28925/2663-4023.2025.30.914

Danilov, S. Yu. (2025). Models of reactive adaptation of agents to contexts of uncertainty and changes in environmental parameters. Management of Development of Complex Systems, (64), 185–193. https://doi.org/10.32347/2412-9933.2025.64.185-193

Borysenko, I. I., Halai, A. L., Hladka, M. V., Hobbiazov, A. S., & Khabiuk, N. S. (2026). Information technology for integrating IoT devices into warehouse management systems. Scientific Notes of the State University of Information and Communication Technologies, (1), 182–192. https://doi.org/10.31673/2786-8362.2026.019813