Further Optimization Methods for Controlled Queueing Systems Based on Artificial Intelligence

Während jüngste Fortschritte gezeigt haben, dass Reinforcement Learning (RL) und Deep Reinforcement Learning (DRL) die Leistungsanalyse und -optimierung von steuerbaren Warteschlangensystemen erheblich verbessern können, bleiben mehrere offene Herausforderungen ungelöst. Diese Herausforderungen schränken das volle Potenzial der KI-gestützten Warteschlangenoptimierung ein, insbesondere in dynamischen, hochbelasteten oder groß angelegten Serviceumgebungen wie IoTInfrastrukturen, Satellitenkonstellationen und Kommunikationssystemen der nächsten Generation.