Метод безмодельної онлайн­-оптимізації часу обчислень кінцевих IоT-­пристроїв із забезпеченням критично важливих затримок усіх рівнів взаємодії

DOI: 10.31673/2412-9070.2021.023439

Анотація

Розглянуто проблему керування мережними ресурсами з погляду опуклої онлайн-оптимізації (ОоО) з урахуванням як втрат, так і обмежень. Надано загальне формулювання ОоО з довгостроковими обмеженнями в часі і відповідні показники для оцінювання алгоритму ОоО. У підґрунті вирішення проблеми оптимізації використано елементи глибокого машинного навчання.
Досліджено ОоО з різними в часі обмеженнями, які мають бути задоволені в довгостроковій перспективі. Згідно з цим параметром той, хто навчається, спочатку виконує певну дію, не знаючи апріорі ні суперечливих втрат, ані змінних у часі обмежень, які виявляються згодом природно. Також було узагальнено стандартну структуру ОоО, беручи до уваги втрати, щоб врахувати як конкурентні втрати, так і обмеження. На противагу наявним роботам основну увагу приділено налаштуванню, в якому деякі обмеження виявляються після вжиття заходів — вони допустимі для миттєвих порушень, але в середньому мають задовольнятися.
Далі впроваджується модифікований метод динамічної оптимізації мережних ресурсів (ДОМР) в інтелектуальних мережах у цій новій структурі ОоО, де елемент навчання має справу з різними в часі втратами, а також різними в часі, але довгостроковими обмеженнями. У цілому доведено, що метод ДОМР забезпечує сублінійне зростання динамічних втрат і результативності, якщо при цьому нагромаджені варіації мінімізаторів та обмежень, відомих як сублінійні, зростають.
Докладно описано процес розроблення і характеристики розробленого алгоритму ДОМР.

Ключові слова: Інтернет речей; якість обслуговування; опукла онлайн-оптимізація; штучний інтелект; глибоке машинне навчання; інтелектуальні мережі.

Список використаної літератури
1. Методы оптимизации в машинном обучении: курс лекций. 2021 [Електронний ресурс]. URL: http://www.machinelearning.ru/wiki/index.php?title=Momo/ (дата звернення: 11.02.2021).
2. Online Convex Optimization [Електронний ресурс]. URL: https://www.cs.ubc.ca/labs/lci/mlrg/slides/online_optimization.pdf/ (дата звернення: 21.01.2021).
3. Степенко І. В. Моделювання систем [Електронний ресурс]. URL: http://web.kpi.kharkov.ua/auts/wp-content/uploads/sites/67/2017/02/MOCS_Kachanov_posobie.pdf/ (дата звернення: 25.02.2021).
4. Вітлінський В. В., Терещенко Т. О., Савіна С. С. Економіко-математичні методи та моделі оптимізації: навч. посібник. Київ: КНЕУ, 2016. 303 с.
5. CORE The world’s largest collection of open access research papers [Електронний ресурс]. URL: https://core.ac.uk/download/pdf/14053513.pdf/ (дата звернення: 15.02.2021).
6. Йоханн ван Тондер. Оптимизация интернет-магазина: Почему 95% посетителей вашего сайта ничего не покупают и как это исправить [Електронний ресурс]. URL:
https://epicentrk.ua/shop/kniga-yokhann-van-tonder-optimizatsiya-internet-magazina-pochemu-95-posetiteley-vashego-sayta-nichego-ne-pokupayut-i-kak-eto-ispr-978-5-9614-7131-1.html/ (дата звернення: 16.02.2021).
7. Besbes O., Gur Y., Zeevi A. Non-stationary stochastic optimization // Operations Research. Sep. 2015. vol. 63, no. 5. Р. 1227–1244.
8. Mahdavi M., Jin R., Yang T. Trading regret for efficiency: Online convex optimization with long term constraints // Journal of Machine Learning Research. Sep. 2012. vol. 13. Р. 2503–2528.