Editorial Ilmu Komputer & AI
Perencanaan Trajektori Terdistribusi dan Alokasi Sumber Daya untuk Komputasi Kolaboratif Multi-UAV Dinamis
Masalah inti
Makalah ini menyelidiki kerangka **komputasi tepi bergerak (MEC) terdistribusi berbasis multi-UAV** di mana himpunan UAV yang berkolaborasi **berubah secara dinamis seiring waktu**, didorong oleh keadaan energi dan beban layanan setiap UAV. Dinamika ini mematahkan asumsi optimasi armada statis: UAV dapat bergabung, keluar, atau menjadi tidak tersedia di tengah misi, sehingga perencanaan trajektori dan alokasi sumber daya harus dikoordinasikan ulang secara terus-menerus dan terdistribusi.
Masalah utamanya adalah **optimasi gabungan perencanaan trajektori dan alokasi sumber daya**. Penulis merumuskannya sebagai **permainan Stackelberg** dengan dua tingkat:
- **Pemimpin (UAV):** memaksimalkan manfaat sendiri dengan menyeimbangkan (i) beban kerja yang dieksekusi, (ii) biaya energi, dan (iii) pendapatan dari alokasi sumber daya.
- **Pengikut (terminal bergerak, MT):** meminimalkan total overhead, yang terdiri dari tunda komputasi dan biaya sumber daya, dengan memilih rasio offloading dan permintaan sumber daya.
Tujuan yang dinyatakan adalah solusi hierarkis dan terdistribusi yang tetap stabil dan efisien saat partisipasi UAV bervariasi, bukan pengoptimal terpusat yang mengasumsikan a
Inovasi
Hasil simulasi menunjukkan **konvergensi yang stabil di bawah partisipasi UAV yang dinamis**, yaitu koordinasi berbasis pembelajaran tetap berperilaku baik bahkan ketika himpunan UAV aktif berubah seiring waktu.
Temuan kuantitatif utama yang dilaporkan penulis:
- **+18,58% efisiensi UAV** dibandingkan **tolok ukur tanpa kolaborasi**, dicapai melalui **migrasi tugas antar-UAV**.
- **−33,77% overhead MT rata-rata** dibandingkan **skema offloading penuh**.
- Algoritma yang diusulkan **mengungguli tolok ukur lain** pada **skala dan kapabilitas jaringan yang bervariasi**, menunjukkan ketangguhan terhadap ukuran armada dan sumber daya UAV/MT yang heterogen.
Perolehan efisiensi diatribusikan pada optimasi gabungan operasi UAV (trajektori, migrasi, asosiasi, penetapan harga) dan pemanfaatan sumber daya, bukan memperlakukannya sebagai submasalah yang independen.
Mengapa penting
Hasil mendukung tiga klaim yang lebih luas tentang MEC multi-UAV dinamis.
**1. Kolaborasi adalah tuas yang dominan.** Peningkatan efisiensi 18,58% dibandingkan baseline tanpa kolaborasi berasal secara spesifik dari **migrasi tugas antar-UAV**, yang berarti membiarkan UAV menyerahkan beban kerja kepada rekan yang berposisi lebih baik atau kurang terbebani lebih bernilai daripada mengoptimalkan setiap UAV secara terpisah. Hal ini secara langsung menjawab pengaturan partisipasi dinamis: ketika energi atau beban UAV membuatnya menjadi server yang buruk, migrasi memulihkan kerugian tersebut.
**2. Struktur permainan hierarkis sesuai dengan masalah insentif.** Memodelkan UAV sebagai pemimpin dan MT sebagai pengikut menangkap fakta bahwa UAV menetapkan harga dan asosiasi sementara MT merespons dengan offloading dan permintaan sumber daya. Solusi pengikut iteratif dua tahap menjaga komputasi di sisi MT tetap ringan, sementara MAPPO dengan CTDE memberi UAV jalur praktis menuju eksekusi terdistribusi tanpa pengendali pusat pada saat runtime.
**3. Ketangguhan lintas skala penting untuk penerapan.** Kinerja yang lebih baik pada skala dan kapabilitas jaringan yang bervariasi menunjukkan pendekatan ini tidak disetel untuk satu ukuran armada atau profil perangkat keras yang homogen — properti penting untuk penerapan nyata di mana ketersediaan UAV berfluktuasi.
**Batasan dan arah terbuka.** Abstrak melaporkan stabilitas konvergensi dan perbandingan tolok ukur tetapi tidak merinci batas laju konvergensi, kompleksitas sampel pelatihan, atau sensitivitas angka 18,58%/33,77% terhadap model energi dan rentang harga tertentu. Pekerjaan selanjutnya dapat meneliti batasan keselamatan, gangguan komunikasi antar-UAV, dan penskalaan MAPPO ke armada yang lebih besar.
Siapa yang sebaiknya membaca
Membuka konten member…