ارائه یک راهکار توزیع‌شده برای مسئله تخصیص جنگ‌افزار به هدف با استفاده از آتوماتای یادگیر

در این مقاله روشی برای حل مسئله‌ی تخصیص جنگ‌افزار به هدف که یکی از مسائل بهینه‌سازی محدودیت توزیع‌شده است، ارائه می‌گردد. روش‌های قبل مشکل همگرایی را به درستی تضمین نمی‌کنند و زمانی که با افزایش مقیاس مواجه می‌شوند درست و موثر کار نمی‌کنند. همچنین برخی از این روش‌ها به صورت متمرکز مسئله تخصیص جنگ‌افزار به هدف را حل می‌کنند. در حالی که روش ارائه شده در این مقاله مسئله را به صورت غیرمتمرکز و توزیع شده با دقت و سرعت بهتری حل می‌کند.مقاله حاضر با استفاده از آتوماتای یادگیر که روشی نسبتا ساده است و به اطلاعات کمی نیاز دارد، به حل مسئله‌ی تخصیص جنگ‌افزار به هدف می‌پردازد و نتایج پیاده‌سازی‌ها نشان می‌دهد، زمانی که مقیاس مسئله بزرگ‌تر می‌شود، روش پیشنهادی با سرعت بهتری نسبت به روش‌های دیگر، مسئله را حل کرده، به طوری که تابع هدف کمینه می‌شود. همچنین این روش به خوبی می‌تواند کمبودهای روش‌های قبلی را بدون نیاز به روش اکتشافی دیگر در محیط‌های چندعامله بلادرنگ پاسخگو باشد.

distributed solving of weapon target assignment problem using learning automata

this article presents a method to solve the weapon target assignment problem, which is one of the problems of distributed constraint optimization. the previous methods do not guarantee the convergence problem properly and when faced with scale increase, they do not work correctly and effectively. also, some of these methods solve the weapon target assignment problem in a centralized manner. while the method presented in this article solves the problem in a decentralized and distributed manner with better accuracy and speed.the present article solves the weapon target assignment problem by using learning automata, which is a relatively simple method and requires little information, and the results of implementations show that when the scale of the problem becomes larger, the proposed method it solves the problem with a better speed than other methods, so that the objective function is minimized. also, this method can well address the shortcomings of previous methods without the need for other exploratory methods in real-time multi-agent environments.