Приборы и системы. Управление, контроль, диагностика Аннотация к статье << Назад Робастная оптимизация задержки и балансировки нагрузки в сети MEC с несколькими автономными мобильными объектами при параметрической неопределенности А.Б. НИКИТИН, А.Д. ХОМОНЕНКО, М.Ю. ЗОТКИН, С.Е. ЗЛОБИН В статье рассматривается актуальная задача совместной оптимизации траекторий автономных мобильных объектов (АМО) и планирования разгрузки задач пользователей в сетях мобильных периферийных вычислений (MEC) при параметрической неопределенности вычислительной сложности задач. Указанная неопределенность, обусловленная неоднородностью IoT-устройств и динамикой канала, делает классические детерминированные подходы неэффективными, приводя к каскадным срывам сроков. Основной вклад работы заключается в разработке целостного робастного фреймворка, основанного на методологии анализа наихудшего случая (worst-case analysis). Разработан алгоритм глубокого обучения с подкреплением (DRL) с использованием soft actor-critic (SAC) для оптимизации траекторий АМО и робастного планировщика подключений – устойчивого SJF (Robust Shortest Job First – «Устойчивое правило "кратчайшая задача – первая"»). Результаты численного моделирования подтверждают эффективность подхода: при уровне неопределенности до 60 % вероятность выполнения требований к задержке превышает 98 %, в то время как детерминированный аналог допускает до 18 % нарушений сроков. Дополнительно достигается улучшенная балансировка нагрузки между АМО. Ключевые слова: Мульти-АМО, мобильные периферийные вычисления, параметрическая неопределенность, робастная оптимизация, глубокое обучение с подкреплением, управление очередями. DOI: 10.25791/pribor.8.2026.1698 Стр. 48-54.