DEEP REINFORCEMENT LEARNING ASOSIDA RESURSLARNI TAQSIMLASH ALGORITMLARINING QIYOSIY TAHLILI: ZAMONAVIY YONDASHUVLAR VA ISTIQBOLLAR

Soʻnggi yillarda telekommunikatsiya tarmoqlarining murakkablashuvi, 5G va 6G texnologiyalarining rivojlanishi hamda tarmoqqa ulangan qurilmalar sonining keskin ortishi bilan resurslarni samarali boshqarish muammosi yanada dolzarblashmoqda. Ushbu maqolada chuqur mustahkamlovchi oʻqitish (DeepReinforcementLearning(DRL)) va koʻp agentlichuqur mustahkamlovchi oʻqitish (Multi-Agent DeepReinforcementLearning(MADRL)) algoritmlarining telekommunikatsiya tarmoqlaridagi yuklama yoki resurslarni optimallashtirishdagi qoʻllanilishi tahlil qilinadi. Tadqiqot doirasida DRL va MADRL boʻyicha 40 danortiq ilmiy maqolalar, jumladan, Oʻzbekiston olimlarining tadqiqotlari oʻrganildi va ularning natijalari umumlashtirildi. Tahlillar shuni koʻrsatdiki, DeepQ-Network(DQN), ProximalPolicyOptimization(PPO), DeepDeterministicPolicyGradient(DDPG) va SoftActorCritic(SAC) kabi chuqur mustahkamlovchi oʻqitish algoritmlari tarmoq resurslarini boshqarish, marshrutlashva spektr taqsimlash vazifalarida dinamik muhitlarda samarali natijalar beradi. Multi-Agent DeepDeterministicPolicyGradient(MADDPG), MonotonicValueFunctionFactorisation(QMIX) va Multi-Agent ProximalPolicyOptimization(MAPPO) kabi koʻp agentlichuqur mustahkamlovchi oʻqitish algoritmlari esa dinamik va getereogenmuhitlarda yuqori samaradorlikka egaligi aniqlandi. Tadqiqot natijalariga koʻra, dinamik va getereogentelekommunikatsiya tarmoqlarida koʻp agentlichuqur mustahkamlovchi oʻqitish algoritmlarini qoʻllash va ularning masshtablanuvchanliginioshirish istiqbolli ilmiy yoʻnalishlardan biri hisoblanadi.