Стаття

Отримано 30.05.2025

Доопрацьовано 21.10.2025

Прийнято 27.11.2025

Взято з Том 29, № 2, 2025

Сторінки 39 -46

Zaivyi, R., & Pavlysh, V. (2025). Development of an intelligent decision-making system for routing in unmanned networks with adaptive link assessment. The National Transport University Bulletin, 29(2), 39-46. https://doi.org/10.33744/2308-6645-2025-2-29-39-46

Розробка інтелектуальної системи прийняття рішень для маршрутизації в безпілотних мережах з адаптивною оцінкою зв’язку

Роман Зайвий Володимир Павлиш

Актуальність дослідження зумовлена потребою підвищення надійності зв’язку в безпілотних мережах Flying Ad Hoc Network, де традиційні протоколи маршрутизації не враховують якість каналу та швидку зміну топології. Мета роботи полягала у розробленні інтелектуальної системи прийняття рішень, здатної адаптивно вибирати маршрут передавання даних відповідно до стану радіоканалу. Для досягнення мети застосовано методи нечіткої логіки, математичного моделювання, імітаційного експерименту та порівняльного аналізу ефективності маршрутизації. У ході дослідження створено модель нечіткої експертної системи, що оцінює якість зв’язку за параметрами відношення сигнал/шум, відстанню між вузлами та показниками шуму, формує базу правил типу «якщо – то» (IF-THEN) і визначає оптимальний шлях передачі – прямий або через ретранслятор. Експериментальні результати показали, що запропонована система підвищує коефіцієнт доставлення пакетів Packet Delivery Ratio до 99 %, тоді як у базових алгоритмів він становив лише 90 %. Середня затримка передачі зменшилася з 80 до 50 мілісекунд, а кількість розривів з’єднання знизилася з 0,2 до 0 випадків на хвилину. Встановлено також, що система зберігає стабільність мережі за умов коливання відношення сигнал/шум, забезпечуючи плавне перемикання маршрутів без надлишкового протоколового трафіку. Застосування нечіткої логіки дозволило враховувати невизначеність радіосередовища й проактивно реагувати на зниження якості сигналу, попереджаючи обриви з’єднань. Практична цінність роботи полягає у можливості інтеграції розробленої системи в мережеві модулі дронів для забезпечення надійної маршрутизації в умовах високої мобільності – зокрема, у військових, пошуково-рятувальних і цивільних застосуваннях

Flying Ad Hoc Network; нечітка логіка; адаптивна оцінка лінку; надійність зв’язку; затримка; продуктивність мереж
  1. Abdulhae, O.T., Mandeep, J.S., & Islam, M. (2022). Cluster-based routing protocols for flying ad hoc networks (FANETs). IEEE Access, 10, 32981-33004. doi: 10.1109/ACCESS.2022.3161446.
  2. Arafat, M.Y., & Moh, S. (2021). A Q-learning-based topology-aware routing protocol for flying ad hoc networks. IEEE Internet of Things Journal, 9(3), 1985-2000. doi: 10.1109/JIOT.2021.3089759.
  3. Azari, M.M., Rosas, F., Chen, K.C., & Pollin, S. (2017). Ultra reliable UAV communication using altitude and cooperation diversity. IEEE Transactions on Communications, 66(1), 330-344. doi: 10.1109/TCOMM.2017.2746105.
  4. Bugarčić, P., Jevtić, N., & Malnar, M. (2022). Reinforcement learning-based routing protocols in vehicular and flying ad hoc networks – a literature survey. Promet-Traffic & Transportation, 34(6), 893-906. doi: 10.7307/ptt.v34i6.4159.
  5. Chang, S.Y., Park, K., Kim, J., & Kim, J. (2023). Securing UAV flying base station for mobile networking: A review. Future Internet, 15(5), article number 176. doi: 10.3390/fi15050176.
  6. Garg, S., Ihler, A., Bentley, E.S., & Kumar, S. (2022). A cross-layer, mobility, and congestion-aware routing protocol for UAV networks. IEEE Transactions on Aerospace and Electronic Systems, 59(4), 3778-3796. doi: 10.1109/TAES.2022.3232322.
  7. Gülbay, M., & Kahraman, C. (2023). Evolution of fuzzy sets: A comprehensive literature review. In C. Kahraman, I.U. Sari, B. Oztaysi, S. Cebi, S. Cevik Onar & A. Çağrı Tolga (Eds.), Intelligent and fuzzy systems (pp. 376-388). Cham: Springer. doi: 10.1007/978-3-031-39774-5_44.
  8. Hasan, S.A., Mohammed, M.A., & Sulaiman, S.K. (2024). Flying ad-hoc networks (fanets): Review of communications, challenges, applications, future direction and open research topics. ITM Web of Conferences, 64, article number 01002. doi: 10.1051/itmconf/20246401002.
  9. Lansky, J., Ali, S., Rahmani, A.M., Yousefpoor, M.S., Yousefpoor, E., Khan, F., & Hosseinzadeh, M. (2022). Reinforcement learning-based routing protocols in flying ad hoc networks (FANET): A review. Mathematics, 10(16), article number 3017. doi: 10.3390/math10163017.
  10. Lateef, S., Rizwan, M., & Hassan, M.A. (2022). Security threats in flying ad hoc network (FANET). In M. Ouaissa, I. Ullah Khan, M. Ouaissa, Z. Boulouard & S.B. Hussain Shah (Eds.), Computational intelligence for unmanned aerial vehicles communication networks (pp. 73-96). Cham: Springer. doi: 10.1007/978-3-030-97113-7_5.
  11. Malhotra, A., & Kaur, S. (2022). A comprehensive review on recent advancements in routing protocols for flying ad hoc networks. Transactions on Emerging Telecommunications Technologies, 33(3), article number e3688. doi: 10.1002/ett.3688.
  12. Pasandideh, F., Costa, J.P., Kunst, R., Hardjawana, W., & de Freitas, E.P. (2023). A systematic literature review of flying ad hoc networks: State‐of‐the‐art, challenges, and perspectives. Journal of Field Robotics, 40(4), 955-979. doi: 10.1002/rob.22157.
  13. Pasandideh, F., da Costa, J.P., Kunst, R., Islam, N., Hardjawana, W., & Pignaton de Freitas, E. (2022). A review of flying ad hoc networks: Key characteristics, applications, and wireless technologies. Remote Sensing, 14(18), article number 4459. doi: 10.3390/rs14184459.
  14. Qafzezi, E., Bylykbashi, K., Higashi, S., Ampririt, P., Matsuo, K., & Barolli, L. (2025). An intelligent fuzzy-based routing protocol for vehicular opportunistic networks. Information, 16(1), article number 52. doi: 10.3390/info16010052.
  15. Rahmani, A.M., Ali, S., Yousefpoor, E., Yousefpoor, M.S., Javaheri, D., Lalbakhsh, P., Ahmed, O., Hosseinzadeh, M., & Lee, S.-W. (2022). OLSR+: A new routing method based on fuzzy logic in flying ad-hoc networks (FANETs). Vehicular Communications, 36, article number 100489. doi: 10.1016/j.vehcom.2022.100489.
  16. Rajesh, I.S., Mohan, H.G., Ranjitha, U.N., Krishnamurthy, M.S., & Maithri, C. (2024). FLQL-VANET: A hybrid of fuzzy logic and q-learning schemes for QoS aware routing in VANET. International Journal of Intelligent Engineering & Systems, 17(6), 1268-1280. doi: 10.22266/ijies2024.1231.92.
  17. Rezwan, S., & Choi, W. (2021). A survey on applications of reinforcement learning in flying ad-hoc networks. Electronics, 10(4), article number 449. doi: 10.3390/electronics10040449.
  18. Usman, Q., Chughtai, O., Nawaz, N., Kaleem, Z., Khaliq, K.A., & Nguyen, L.D. (2021). A reliable link-adaptive position-based routing protocol for flying ad hoc network. Mobile Networks and Applications, 26(4), 1801-1820. doi: 10.1007/s11036-021-01758-w.
  19. Wheeb, A.H., Nordin, R., Samah, A.A., Alsharif, M.H., & Khan, M.A. (2021). Topology-based routing protocols and mobility models for flying ad hoc networks: A contemporary review and future research directions. Drones, 6(1), article number 9. doi: 10.3390/drones6010009.
  20. Zadeh, L.A. (1965). Fuzzy sets. Information and Control, 8(3), 338-353. doi: 10.1016/S0019-9958(65)90241-X.
  21. Zhang, Y., & Qiu, H. (2023). Delay-aware and link-quality-aware geographical routing protocol for UANET via dueling deep Q-network. Sensors, 23(6), article number 3024. doi: 10.3390/s23063024.

https://doi.org/10.33744/2308-6645-2025-2-29-39-46