Bài báo này đề xuất một khung học sâu tăng cường đa tác tử có tích hợp GNN nhằm hỗ trợ định tuyến thích nghi trong mạng MANET dưới tác động của gây nhiễu chủ động. Phương pháp kết hợp biểu diễn đồ thị theo thời gian, cơ chế ra quyết định có phối hợp giữa các nút, cùng với mô hình jammer thông minh để xử lý bài toán topology thay đổi liên tục và nhiễu phức tạp. Kết quả mô phỏng cho thấy phương pháp đề xuất hội tụ sau khoảng 100 episode và đạt thông lượng cao hơn khoảng 15–20% so với phương pháp DQN, đồng thời vượt hơn 50% so với các giao thức truyền thống. Khi quy mô mạng tăng lên, hệ thống vẫn duy trì độ tin cậy cao với mức suy giảm PDR chỉ khoảng 3%, tốt hơn các phương pháp so sánh tới 30%. Trong điều kiện gây nhiễu mạnh, phương pháp giúp giảm độ trễ tới 44% và chỉ làm suy giảm thông lượng khoảng 25%, trong khi các phương pháp khác bị suy giảm nghiêm trọng. Ngoài ra, giải pháp còn tiết kiệm năng lượng tới 48% và có tốc độ tăng tiêu thụ năng lượng thấp hơn khi mạng mở rộng. Hệ thống cũng hoạt động ổn định trong môi trường có tính di động cao và cho thấy khả năng tổng quát tốt, với mức suy giảm hiệu năng
dưới 5% khi áp dụng cho các cấu hình mạng chưa từng huấn luyện. Những kết quả này
khẳng định tính hiệu quả và khả năng mở rộng của phương pháp đề xuất trong việc đảm
bảo truyền thông tin cậy trong các môi trường MANET động và có đối kháng.