Распределенная кластеризация в мультиагентных системах на основе сжатых агрегированных данных с использованием глубокого обучения

В работе исследуется проблема распределенной кластеризации в мультиагентных системах. Одним из возможных применений метода является эффективное управление большим количеством агентов, где традиционные подходы сталкиваются с задержками передачи данных и сложностями управления. Предлагается использование кластерной синхронизации, присущей многим мультиагентным системам, для возможности синтеза управления на уровне кластеров, а не отдельных агентов. Разработанный метод позволяет агентам получать информацию о кластерах через локальные взаимодействия, используя теорию compressive sensing для обмена данными, и протокол локального голосования для сбора измерений. Это уменьшает объем передаваемых данных и позволяет адаптироваться к изменениям структуры кластеров в реальном времени. Исследование включает обучаемый метод на базе архитектуры нейронной сети PointNet, с функцией потерь венгерского алгоритма для предсказания центроидов кластеров. Предварительные результаты подтверждают эффективность метода для распределенной кластеризации в мультиагентных системах, несмотря на пока недостаточную точность восстановления параметров кластеров.