بهینه سازی پاسخ به تهدیدات الکترونیکی با بهره گیری از یادگیری تقویتی چندهدفه و الگوریتم های فرومغزی

تحولات سریع در عرصه جنگ الکترونیک و نبردهای دیجیتالی سبب شده است تا پاسخ تطبیقی و هوشمند به تهدیدات الکترونیکی به یکی از چالش های حیاتی سامانه های دفاعی تبدیل شود. در این راستا، پژوهش حاضر رویکردی نوین برای بهینه سازی پاسخ به تهدیدات الکترونیکی با بهره گیری از یادگیری تقویتی چند هدفه و الگوریتم های فرومغزی ارائه می دهد. هدف اصلی، ایجاد سازوکاری است که سامانه بتواند به صورت خود مختار، در شرایط عدم قطعیت، بین اهداف متعارضی چون سرعت واکنش، دقت پاسخ و مصرف انرژی تعادل برقرار کند. در مدل پیشنهادی، ساختارهای عصبی الهام گرفته از عملکرد نواحی زیرقشری مغز (نظیر آمیگدال، تالاموس و عقده های قاعده ای) به عنوان هسته تصمیم گیر مورد استفاده قرار گرفته اند تا فرآیند یادگیری و اولویت بندی تهدیدات به شکلی شبیه سازی شده از سیستم عصبی انسان انجام گیرد. به موازات آن، عامل های تقویتی چند هدفه از طریق تعامل مستمر با محیط جنگ الکترونیک، راهبردهای بهینه ای را برای شناسایی، طبقه بندی و پاسخ سریع به تهدیدات طیفی و مخابراتی می آموزند. نتایج اولیه شبیه سازی ها نشان می دهد که مدل ترکیبی پیشنهادی، در مقایسه با الگوریتم های کلاسیک یادگیری تقویتی توانسته است میانگین زمان واکنش را تا ۲۵ % کاهش دهد و دقت شناسایی تهدید را بیش از ۱۵ % افزایش دهد. این یافته ها بیانگر ظرفیت بالای تلفیق الگوریتم های فرومغزی و یادگیری تقویتی چند هدفه در ارتقاء عملکرد و کارایی سامانه های فرماندهی، کنترل و دفاع الکترونیکی نسل آینده است.

کلیدواژه ها:

یادگیری تقویتی چند هدفه ، الگوریتم های فرومغزی ، جنگ الکترونیک ، تصمیم گیری هوشمند