Pemodelan dan optimasi dinamika networked control systems berbasis deep reinforcement learning : laporan penelitian

Abstract

Sistem kontrol berbasis jaringan atau networked control system (NCS) dapat didefinisikan sebagai suatu sistem yang mengintegrasikan berbagai jenis sensor dan aktuator dimana masing-masing sensor dan aktuator tersebut saling berbagi informasi antara satu dengan yang lain melalui suatu sistem jaringan komunikasi kabel/nirkabel. Kinerja sistem kontrol terdistribusi sangat dipengaruhi oleh jaringan sistem komunikasi yang digunakan untuk pertukaran informasi (message passing/exchange) antar komponen di dalam NCS. Desain dan kontrol suatu NCS karenanya memerlukan proses pemodelan dan optimisasi yang tepat yang mampu mengurangi kompleksitas dinamika proses pertukaran data serta mampu menjaga resiliency (ketegaran) sistem dari berbagai jenis gangguan terprediksi maupun tidak terprediksi sebagaimana disebutkan di atas.

Penelitian ini ditujukan untuk melakukan studi, pengembangan, dan evaluasi secara komprehensif terkait penggunaan metoda deep reinforcement learning (DRL) dalam pemodelan dan optimasi NCS DRL pada dasarnya merupakan salah satu teknik kecerdasan buatan (artificial intelligence) dalam kelompok metode machine learning yang dapat melakukan proses pembelajaran (learning) secara tersupervisi atau tanda supervisi terkait pola pada sekumpulan data historis terkait dinamika/perilaku suatu sistem/proses, untuk kemudian dijadikan sebagai basis penentuan model perilaku/dinamika sistem/proses tersebut. Sebagai bentuk evaluasi konkret, penelitian ini akan meninjau dan mengevaluasi implementasi metode DRL dalam pemodelan dan optimasi performansi dari jaringan sensor terdistribusi pada aplikasi pertanian cerdas atau smart farming. Dalam hal ini, model dan skema optimasi yang diperoleh diharapkan dapat digunakan untuk mengestimasi dan mengontrol parameter penting dari dinamika tanaman yang ditinjau untuk digunakan sebagai basis manajemen pertanian yang efektif.