Розподілені системи набувають все більшого розповсюдження у енергетиці, телекомунікаціях, транспорті тощо. Централізоване керування такими системами є ненадійним в умовах війни, кліматичних катастроф, кібератак та інших критичних обставинах. Підвищити стійкість та надійність розподілених систем дозволяє децентралізація, проте вона вимагає координації керування. Координатори визначають оптимальну уставку для локальних систем керування, для чого в них передбачені модулі прогнозування, кластеризації, оцінювання невизначених параметрів, моделювання системи, оптимізації. Для реалізації методів координації перевагу мають системи, що навчаються, оскільки вони здатні гнучко налаштовуватися на особливості керування об’єктами, що знаходяться у різних умовах. Проте навчання координаторів ускладнюється необхідністю навчання багатьох координаторів. У цій роботі розглядається п’ять сценаріїв навчання нейронних координаторів. Сценарії відрізняються залежно від структури нейронних координаторів: сегментована мережа відповідно до структури імітаційної моделі координатора або інтегрована мережа, а також від стратегії навчання: навчати паралельно усі координатори децентралізованої системи або тільки один і результати клонувати; кооперативне навчання групи координаторів. Проведені експериментальні дослідження запропонованого методу навчання нейромережевих координаторів, реалізованих на Pyton TensorFlow. Досліджувалася розподілена система лінійних об’єктів і зв’язок типу теплопровідності. Як критерій ефективності навчання використовувалася RMSE через задану кількість епох навчання. Дослідження показало більшу ефективність кооперативного навчання сегментованих координаторів, проте ефективність залежить від показника зв’язності об’єктів розподіленої системи.

DOI: https://doi.org/10.31649/mccs2024.5-05