یک روش مسیریابی مبتنی بر یادگیری تقویتی با رویکرد چند کپی در شبکه های موردی سیار برای افزایش نسبت تحویل

در سیستم های بزرگ و توزیع شده مانند شبکه های موردی سیار بین گره مبدا و گره مقصد مسیر دائمی وجود ندارد. در این شبکه ها برای مسیریابی از روش ذخیره،حمل و جلورانی استفاده میشود. این روش برای مسیریابی، از گره های میانی استفاده میکند. روشهای مسیریابی مختلفی برای ارسال بسته از گره مبدا به گره مقصد ارائه شده است که هر کدام معایب و مزایایی دارند؛ یکی از روشهای مسیریابی در این شبکه ها مسیریابی مبتنی بر یادگیری است. در این شبکه ها به دلیل وجود تعداد زیادی گره، یادگیری متمرکز بر مسیریابی نیز غیر عملی می باشد؛ لذا نیاز داریم از الگوریتمهای یادگیری که میتوانند به صورت مستقل یاد بگیرند و نیازی به هماهنگی گسترده ندارند مانند یادگیری تقویتی، استفاده کنیم. روش یادگیری تقویتی قادر به یادگیری و انطباق با یک محیط ناشناخته و در حال تغییر می باشد و مناسب ترین روش برای یادگیری در شبکه های موردی سیار، بین روشهای ارائه شده قبلی است. اما در این روش نیز احتمال از بین رفتن بسته به دلایلی مانند خرابی گره ها وجود دارد؛ بنابراین استفاده از روشهای مسیریابی تک کپی کارایی کمی دارد. در این مقاله روشی ارائه می گردد که سعی شده با اعمال قوانین چند کپی و اعطای پاداش بر اساس این قوانین، احتمال از بین رفتن بسته کاهش داده شود. روش پیشنهادی در نرم افزار شبیه ساز The ONE شبیه سازی شده است و نتایج شبیه سازی نشان میدهد روش پیشنهادی از نظر معیار نرخ تحویل و میانگین تاخیر نسبت به تمامی روشهای ارائه شده قبلی بهبود یافته است.

کلیدواژه ها:

شبکه های موردی سیار ، مسیریابی ، یادگیری تقویتی ، ارسال چندکپی.