في عالم اليوم، حيث تعزز الابتكارات التكنولوجية من كفاءة الأنظمة، تقدم Oranits نموذجًا ثوريًا في توزيع المهام ضمن أنظمة النقل الذكية (Intelligent Transportation Systems - ITS). يعتمد هذا النظام على شبكة الوصول الراديوية المفتوحة (Open RAN) ويستفيد من الحوسبة الطرفية (Edge Computing) لتعزيز معالجة البيانات بشكل فعال.

تواجه الدراسات الحالية تحديات كبيرة تتعلق بالعلاقات المعقدة بين المهام والتكاليف المرتبطة بتحويل هذه المهام إلى خوادم الحافة، مما يؤدي في كثير من الأحيان إلى اتخاذ قرارات دون المستوى الأمثل. لكن مع إدخال Oranits، أصبح بالإمكان التغلب على هذه العقبات عبر نموذج نظام جديد يأخذ في الاعتبار الاعتمادية بين المهام والتكاليف، مما يعزز الأداء من خلال تعاون المركبات الذاتية القيادة.

يستخدم Oranits نهجًا مزدوجًا لتحسين الأداء: أولاً، يتم تطوير خوارزمية تعتمد على الحوسبة التطورية (Evolutionary Computing) تُعرف بالـ Chaotic Gaussian-based Global ARO (CGG-ARO)، والتي تعطي أساسًا للتحسين لمهمة واحدة في الوقت المحدد. ثانيًا، يتم تصميم إطار عمل محسن للتعلم المعزز العميق (Deep Reinforcement Learning - DRL) يسمى Multi-agent Double Deep Q-Network (MA-DDQN)، حيث يدمج بين تنسيق الوكلاء المتعددين وآليات اختيار الإجراءات المتعددة، مما يقلل بشكل كبير من وقت تعيين المهام ويزيد من القدرة على التكيف مقارنةً بالأساليب التقليدية.

تشير المحاكاة الشاملة إلى أن CGG-ARO زادت من عدد المهام المكتملة والفوائد العامة بنسبة تقترب من 7.1% و 7.7% على التوالي، بينما حقق MA-DDQN تحسينات أكبر، حيث زاد عدد المهام المكتملة بنسبة 11% والفوائد العامة بنسبة 12.5%. هذه النتائج تسلط الضوء على فاعلية نظام Oranits في تمكين معالجة المهام بشكل أسرع وأكثر تكيفًا وكفاءة في بيئات ITS الديناميكية.

هل أنتم مستعدون لاستكشاف أفق جديد من الابتكارات في أنظمة النقل الذكية؟ شاركونا آراءكم في التعليقات!