مدل سازی همکاری میان عاملی شناختی برای پاسخ جمعی به تهدیدات طیفی در سامانه های جنگ الکترونیک

در میدان نبرد دیجیتالی نوین، پاسخ سریع، جمعی و هوشمند به تهدیدات طیفی به یکی از مولفه های حیاتی جنگ الکترونیک تبدیل شده است. پژوهش حاضر با هدف طراحی و مدل سازی یک چارچوب نوین برای همکاری میان عاملی شناختی در پاسخ به تهدیدات الکترونیکی انجام شده است. در این چارچوب، یک مدل ترکیبی موسوم به G-CMARL معرفی می شود که از ادغام یادگیری تقویتی چند عاملی شناختی با شبکه های عصبی گرافی بهره می برد. در مدل پیشنهادی، عامل ها ضمن درک وضعیت محیط با بهره گیری از گراف های پویا، دانش تهدیدات را به صورت اشتراکی مبادله کرده و رفتارهای هماهنگ اتخاذ می کنند. همچنین از مکانیزم تطبیق شناختی برای بهبود تصمیم گیری جمعی و کاهش تداخل ارتباطی میان عامل ها استفاده شده است. نتایج پیاده سازی در محیط شبیه سازی شده نشان می دهد که مدل G-CMARL نسبت به الگوریتم MARL کلاسیک در نرخ موفقیت ماموریت تا ۴۳% بهبود عملکرد و در پایداری پاسخ جمعی تا ۳۵% کاهش در نوسانات تصمیم گیری ارائه می دهد. پژوهش حاضر گامی مهم در جهت تحقق سامانه های جنگ الکترونیک هوشمند با قابلیت یادگیری اشتراکی، همکاری شناختی و تصمیم گیری بلادرنگ محسوب می شود. در بخش های آتی، ضمن تشریح معماری پیشنهادی و الگوریتم های یادگیری، نتایج تجربی، نمودارهای ارزیابی و تحلیل تطبیقی مدل ها ارائه شده است.

کلیدواژه ها:

یادگیری تقویتی چندعاملی شناختی ، شبکه عصبی گرافی ، همکاری میان عاملی ، پاسخ جمعی