계층적 사회 관계와 Q-학습을 이용한 동적 데이터 환경에서의 적응형 트리 강화 클러스터링

대규모 이질적이고 진화하는 데이터 시스템에서의 효율적인 클러스터링은 데이터 기반 인텔리전스의 핵심 과제로 남아 있습니다. 전통적인 클러스터링 모델은 종종 계산 복잡성, 노이즈 취약성 및 적응력 부족과 관련된 한계에 직면합니다. 이러한 문제를 극복하기 위해 본 연구는 적응형 트리 강화 클러스터링(ATRC) 프레임워크를 소개합니다. 이는 트리 사회 관계(TSR) 메커니즘과 Q-학습 기반 강화 최적화를 융합한 하이브리드 모델입니다. 이 모델에서 TSR은 데이터 엔티티 간의 계층적 연결을 설정하여 초기 클러스터를 빠르게 생성하며, Q-학습은 반복적인 상태-행동 평가를 통해 클러스터 할당을 동적으로 수정하여 지역 최소값을 피합니다. TSR의 구조적 조직과 Q-학습의 적응 탐색 간의 협력적 상호작용은 불확실하거나 노이즈가 있는 조건에서 수렴 안정성과 정확성을 동시에 향상시킵니다. 32개의 노드와 4개의 적응형 클러스터를 갖춘 이질적 IoT 센서 네트워크에서의 실험 결과는 ATRC가 LSCC-RL, CRL-AC 및 CRAQL 벤치마크에 비해 우수한 성능을 달성하여 패킷 전달률이 최대 13% 높고 에너지 소비가 28% 낮으며 수렴 속도가 거의 0.9배 빠름을 보여줍니다. 이러한 결과는 강화 기반 학습과 계층적 모델링의 통합이 실시간 IoT, 엣지 컴퓨팅 및 데이터 집약적 지능 시스템에 적합한 확장 가능하고 에너지 효율적인 클러스터링 프레임워크를 제공함을 확인해 줍니다.