Η ανάπτυξη των Ασύρματων Δικτύων έχει αναδείξει την ανάγκη για αποδοτικό Έλεγχο
Τοπολογίας, ώστε να εξασφαλίζεται η συνεχής συνδεσιμότητα, η χαμηλή κατανάλωση
ενέργειας και η υψηλή απόδοση επικοινωνίας. Οι παραδοσιακές προσεγγίσεις βασίζονται
κυρίως σε γεωμετρικά κριτήρια, τα οποία συχνά αδυνατούν να προσαρμοστούν σε
πολύπλοκες συνθήκες. Στην παρούσα εργασία προτείνεται μια καινοτόμος προσέγγιση, που αξιοποιεί τεχνικές Μηχανικής Μάθησης και ειδικότερα Νευρωνικά Δίκτυα Γράφων
(GNNs), για την πρόβλεψη της βέλτιστης τοπολογίας Ασύρματων Δικτύων,
χρησιμοποιώντας τις συντεταγμένες των κόμβων. Στην προτεινόμενη μεθοδολογία
υιοθετείται η προσέγγιση επιπέδου δικτύου, εστιάζοντας στο σύνολο των γειτόνων κάθε
κόμβου σε ολόκληρη την τοπολογία του γραφήματος.
Αρχικά, πραγματοποιείται η βιβλιογραφική ανασκόπηση των βασικών εννοιών και
μεθόδων Ελέγχου Τοπολογίας, καθώς και ανάλυση των Νευρωνικών Δικτύων, με έμφασηστα GNN, ώστε να καθοριστεί το θεωρητικό υπόβαθρο για την προτεινόμενη μεθοδολογία.
Στη συνέχεια, διερευνάται η χρήση Συνελικτικών Νευρωνικών Δικτύων (CNNs) για
επεξεργασία εικόνων της αρχικής και τελικής τοπολογίας, με τα αποτελέσματα αυτής της
φάσης να αναδεικνύουν τους περιορισμούς των οπτικών μοντέλων, και να οδηγούν στη
μετάβαση στα GNNs.
Η μεθοδολογία που ακολουθήθηκε περιλαμβάνει τη δημιουργία γραφημάτων μέσω
γεωμετρικών μεθόδων, την εκπαίδευση διαφορετικών αρχιτεκτονικών GNN, και την
αξιολόγησή τους με βάση μετρικές ακρίβειας και σύγκριση με τον αλγόριθμο 𝑘-Nearest
Neighbors. Τα πειραματικά αποτελέσματα δείχνουν ότι τα GNN μπορούν να προβλέψουν
αποτελεσματικά τις απαραίτητες συνδέσεις, μειώνοντας τις περιττές ακμές και
υποστηρίζοντας ενεργειακά αποδοτικότερες τοπολογίες. Τα συμπεράσματα επιβεβαιώνουν ότι η προτεινόμενη μέθοδος αποτελεί μια αξιόπιστη και επεκτάσιμη λύση για δυναμικά δίκτυα UAV, προσφέροντας ένα νέο πλαίσιο εφαρμογής της Μηχανικής Μάθησης σε προβλήματα Ελέγχου Τοπολογίας.

The development of Wireless Networks has shown the need for efficient Topology Control to ensure continuous connectivity, low energy consumption, and high communication performance. Traditional approaches rely on geometric methods, which often fail to adapt into complex conditions. This thesis proposes an innovative approach that adopts Machine Learning techniques, specifically Graph Neural Networks (GNNs), to predict the optimal topology of Wireless Networks using the nodes’ coordinates.

Initially, a literature review is carried out on the basic concepts and methods of Topology Control, as well as an analysis of Neural Networks, with emphasis on GNNs, to establish the theoretical foundation for the proposed methodology. Following this, Convolutional Neural Networks (CNNs) are tested for processing images of the initial and final network topology. The results show the limitations of visual models, which led to the decision to use GNNs instead.

The developed methodology includes the creation of graphs through geometric methods, the training of different GNN architectures, and their evaluation based on accuracy metrics and comparison with the k-Nearest Neighbors algorithm. Experimental results demonstrate that GNNs can effectively predict the necessary connections, reducing redundant edges and enabling more energy-efficient topologies. The findings confirm that the proposed method is a reliable and scalable solution for dynamic UAV networks, offering a new framework for applying Machine Learning to Topology Control problems.