مسیریابی حسگر بیسیم مبتنی بر یادگیری تقویتی بر اساس درخت تصمیم

با توجه به این مساله که مسیریابی درختی سنتی در شبکه های حسگر بی سیم یک گره والد را بر اساس تعداد پرش به مقصد انتخاب می کند، نمی تواند با مشکلات مختلف مانند از دست رفتن پیوند و ازدحام مقابله کند. برای پرداختن به این مساله، این مطالعه روشی مبتنی بر مجموع وزن دار خطی به طور مشترک معیارهای شناختی متعددی مانند تعداد پرش، کیفیت پیوند، ظرفیت بافر و انرژی باقیمانده را در فرآیند تصمیم گیری در نظر گرفت.برای حل مساله، الگوریتم پیشنهادی محیط شبکه را با استفاده از معیارهای شناختی متعدد شناسایی و خط مشی بهینه را برای بهینه سازی مشترک معیارهای عملکرد از طریق یادگیری تقویتی بر اساس درخت تصمیم، داده ها با نرم افزار مدل ساز OPNET نسخه ۱۸.۷ شبیه سازی شدند. یافته ها نشان داد، میانگین متحرک وزنی برای جلوگیری از تغییرات ناگهانی در معیارهای شناختی بهینه تر از روش های قبلی عمل نموده و اهداف چندگانه را بر اساس گره والد برآورد می نماید.نتایج نشان می دهد که، در یک فضای عملکرد، مجموعه اقدامات و تابع پاداش برای یافتن بهترین گره والد از طریق یادگیری افزایشی می تواند تعادلی بین معیارهای عملکرد در رابطه با تاخیر انتها به انتها، نسبت تحویل بسته ایجاد کند.

کلیدواژه ها:

شبکه حسگر بیسیم ، درخت تصمیم ، یادگیری تقویتی ، تاخیر انتهابه انتها