Apprentissage par renforcement profond pour l'optimisation conjointe de l'ordonnancement et de l'allocation de ressources et dans les réseaux ad hoc mobiles

Le thème central de la thèse concerne l'utilisation des techniques d'apprentissage par renforcement profond pour résoudre le problème d'ordonnancement et d'allocation de ressources conjoint dans les systèmes de communications ad hoc mobiles. On se place dans le contexte de réseaux ad hoc clusterisés pour lequel les noeuds sont regroupés sous forme de clusters dont la composition peut varier de manière dynamique au cours du temps. Au sein de chaque cluster, la tâche d'ordonnancement et d'allocation de ressources est réalisée par un noeud dédié qui reçoit les requêtes de communications.Le problème qu'on se propose de résoudre est de trouver l'ordonnancement et l'allocation de ressources conjointes optimal sous certaines contraintes de qualités de service (QoS). Le problème d'optimisation global possède un espace d'états et d'actions de dimension élevée et ne peut pas être résolu par des méthodes analytiques, d'où le recours aux nouvelles techniques d'apprentissage par renforcement utilisant des réseaux de neurones profonds. L'objectif général de la thèse est l'étude de solutions nouvelles et de leurs performances pour la mise en oeuvre d'algorithmes d'ordonnancement et d'allocation de ressources conjoints au niveau de l'accès radio dans le paradigme de l'optimisation croisée appliqués aux réseaux ad hoc mobiles clusterisés.