Graphbasiertes Modell lernt Dynamik von Ad‑hoc‑Netzwerken

In der Welt der drahtlosen Ad‑hoc‑Netzwerke – von mobilen bis hin zu taktischen Systemen – sind die Wechselwirkungen zwischen Knoten, Energieverbrauch und Topologiewechsel extrem komplex. Traditionelle, modellfreie Reinforcement‑Learning‑Ansätze erfordern dafür ständige Online‑Interaktion, während bestehende modellbasierte Methoden flache Zustandsdarstellungen nutzen und damit die Struktur einzelner Knoten verlieren.

Die neue Methode, G‑RSSM, setzt genau hier an: Sie ist ein graph‑strukturiertes rekurrentes Zustandsraummodell, das für jeden Knoten eigene latente Zustände speichert und mittels Multi‑Head‑Attention die Wechselwirkungen zwischen Knoten gleichzeitig erfasst. So kann die Dynamik des Netzwerks aus bereits vorhandenen Offline‑Trajektorien gelernt werden.

Als praktisches Beispiel wird die Methode auf die Cluster‑Head‑Auswahl angewendet. Die zugehörige Policy wird ausschließlich durch imaginierte Rollouts im erlernten Weltmodell trainiert. In 27 unterschiedlichen Szenarien – darunter MANET, VANET, FANET, WSN und taktische Netzwerke mit 30 bis 1000 Knoten – bleibt die Netzwerk‑Verbindlichkeit hoch, obwohl die Policy nur für 50 Knoten trainiert wurde.

Damit stellt G‑RSSM das erste multi‑Physics‑Graph‑modellierte Weltmodell dar, das kombinatorische Entscheidungen auf Knoten‑Ebene in Größenunabhängigen Ad‑hoc‑Netzwerken ermöglicht. Es eröffnet neue Wege für effiziente, offline‑basierte Optimierung in dynamischen, verteilten Systemen.