بررسی الگوریتم های متاهیوریستیک و نقش آن در مسیریابی گره های شبکه (مروری)

شبکه های کامپیوتری مدرن با گسترش فناوری هایی همچون اینترنت اشیا(IoT)، شبکه های حسگر بی سیم(WSN)، شبکه های ادهاک متحرک(MANET)، شبکه های خودرویی(VANET)، شبکه های نرم افزارمحور(SDN)، شبکه های پرنده(FANET)، شبکه های زیرآبی(UWSN) و نسل های جدید ارتباطی (۵G و ۶G)، با چالش های پیچیده ای در زمینه مسیریابی مواجه شده اند. روش های سنتی مسیریابی مانند AODV، DSR و OLSR که برای شبکه های کوچک و نسبتا پایدار طراحی شده بودند، در برابر پویایی توپولوژی، محدودیت انرژی، نیاز به امنیت بالا، مدیریت ترافیک سنگین و مقیاس پذیری گسترده کارایی لازم را ندارند. در سال های اخیر، الگوریتم های متاهیوریستیک با الهام از طبیعت، تکامل زیستی و رفتار جمعی موجودات، به عنوان رویکردهایی قدرتمند برای حل مسائل پیچیده مسیریابی مطرح شده اند. الگوریتم هایی مانند GA، PSO، ACO، GWO، WOA، SSA، Firefly و نسخه های هیبریدی آنها توانسته اند عملکرد شبکه ها را در معیارهایی همچون تاخیر، مصرف انرژی، نرخ تحویل بسته، پایداری مسیر و امنیت بهبود دهند. این مقاله مروری با بررسی بیش از ۳۰ پژوهش معتبر منتشر شده در بازه ۲۰۲۰ تا ۲۰۲۵، به تحلیل نقش الگوریتم های متاهیوریستیک در مسیریابی شبکه ها می پردازد. در این مطالعه، رویکردهای مختلف، نقاط قوت و ضعف، چالش های موجود، شکاف های پژوهشی و راهکارهای ارائه شده در منابع تحلیل شده اند. نتایج نشان می دهد که الگوریتم های متاهیوریستیک، به ویژه نسخه های هیبریدی، توانسته اند مسیرهای کارآمدتر، امن تر و پایدارتر ارائه دهند و مسیر آینده پژوهش را به سمت ادغام این الگوریتم ها با فناوری هایی مانند ML، Edge Computing، SDN و شبکه های ۶G هدایت کنند.

کلیدواژه ها:

الگوریتم های متاهیوریستیک ، مسیریابی شبکه ، شبکه های پویا ، الگوریتم های هیبریدی ، بهینه سازی مسیر ، مصرف انرژی و پایداری مسیر