W pracy zaproponowano innowacyjną koncepcję organizacji wiedzy pozyskiwanej w trakcie procesu uczenia przez agentów rutingu. Rozproszona geograficzna lokalizacja wiedzy (GLW) została wykorzystana do adaptacyjnego sterowania rutingiem w typowych sieciach ad-hoc oraz w sieciach komunikujących się ze sobą robotów mobilnych.
Wiedza gromadzona przez agentów rutingu w trakcie trwania procesu uczenia jest logicznie powiązana z lokalizacjami geograficznymi celem dopasowania reprezentacji oraz organizacji wiedzy do pewnych właściwości przestrzennych sieci ad-hoc wynikających z zastosowania komunikacji radiowej. Węzły sieci ad-hoc, przemieszczając się pomiędzy poszczególnymi lokalizacjami w sieci, powinny wymieniać między sobą informację w taki sposób, aby zachować jej logiczne powiązanie z tymi lokalizacjami. Koncepcja GLW jest spójna z inspirowaną biologicznie koncepcją algorytmów mrówkowych, gdzie nośnikiem informacji jest substancja feromonowa, która z założenia powiązana jest z lokalizacją w przestrzeni. Zastosowanie koncepcji GLW może poprawić działanie mechanizmu uczenia, a tym samym poprawić jakość sterowania rutingiem i zwiększyć obszar zastosowania algorytmów wykorzystujących proces uczenia w mobilnych sieciach telekomunikacyjnych typu ad-hoc.
Znane są z publikacji wyniki badań nad zastosowaniem mechanizmów uczenia w sieciach ad-hoc. Mechanizmy takie jak uczenie ze wzmocnieniem, algorytmy mrówkowe, automaty uczące, uczenie z nadzorem czy systemy immunologiczne z powodzeniem stosowane były do rozwiązywania problemów sieci ad-hoc takich jak ruting, zapewnianie jakości usług (QoS), szacowanie wiarygodności węzłów czy sterowanie mobilnością węzłów. W żadnej ze znanych prac nie zaproponowano jednak mechanizmu uczenia z rozproszoną geograficzną lokalizacją wiedzy.

Ustalenie wpływu, jaki wywierają reprezentacja oraz organizacja wiedzy na mechanizmy uczenia, jest istotne ze względu na poprawę jakości komunikacji oferowaną przez mechanizmy uczenia. Wpływ ten zostanie analizowany na podstawie badań porównujących jakość komunikacji oferowanej przez mrówkowy algorytm sterowania rutingiem bez GLW z jakością algorytmu mrówkowego wykorzystującego GLW. Wyniki zostaną także odniesione do powszechnie uznawanych mechanizmów rutingu dla sieci ad-hoc niewykorzystujących algorytmów uczenia. Do badań wykorzystany zostanie symulator sieci komputerowych ns2, rozbudowany o dodatkowe moduły umożliwiające zrealizowanie założonych scenariuszy komunikacji. Badania przeprowadzone zostaną w dwóch podstawowych środowiskach: w typowej sieci ad-hoc zbudowanej z węzłów poruszających się po płaskim terenie otwartym oraz w sieci ad-hoc robotów mobilnych poruszających się po pomieszczeniach zamkniętych.

Wynikiem badań będzie przedstawienie kompleksowego rozwiązania do sterowania rutingiem w sieciach ad-hoc w postaci algorytmu mrówkowego z rozproszoną geograficzną lokalizacją wiedzy (AntHocGeo), a także prezentacja wyników analizy wpływu GLW na proces uczenia oraz na ostateczną jakość komunikacji w rozważanych scenariuszach sieci ad-hoc.