یک چارچوب ترکیبی الگوریتم ژنتیک-یادگیری تقویتی عمیق برای مسیریابی چند هدفه مبتنی بر هوش مصنوعی در شبکه های مخابراتی و ارزیابی کارایی با استفاده از تحلیل پوششی داده ها

هدف: مسیریابی چندهدفه در شبکه های مخابراتی به دلیل وجود اهداف متضاد مانند بیشینه سازی جریان و کمینه سازی هزینه، یکی از مسایل مهم و پیچیده در حوزه شبکه های هوشمند محسوب می شود. هدف این پژوهش، ارایه یک چارچوب مبتنی بر هوش مصنوعی برای بهبود کارایی مسیریابی و انتخاب بهینه الگوریتم ها در محیط های پویا است.روش شناسی پژوهش: در این پژوهش، یک چارچوب ترکیبی مبتنی بر الگوریتم ژنتیک (GA) و یادگیری تقویتی عمیق (DRL) ارایه شده است. الگوریتم ژنتیک برای طراحی خودکار معماری و تنظیم فراپارامترهای عامل DRL به کار گرفته شد و عامل یادگیری تقویتی در یک محیط پویا برای حل مساله مسیریابی آموزش داده شد. همچنین، به منظور ارزیابی چندمعیاره عملکرد الگوریتم ها، از تحلیل پوششی داده ها (DEA) استفاده گردید.یافته‎ها: نتایج نشان داد که چارچوب پیشنهادی GA-DRL در مقایسه با الگوریتم های رقیب، عملکرد بهتری در بهینه سازی همزمان جریان و هزینه شبکه دارد. همچنین تحلیل DEA بیانگر کارایی بالاتر مدل پیشنهادی و توانایی آن در ارایه ارزیابی دقیق تر برای انتخاب الگوریتم مناسب بر اساس معیارهای مختلف بود.اصالت/ارزش افزوده علمی: نوآوری اصلی این پژوهش در ترکیب الگوریتم ژنتیک با یادگیری تقویتی عمیق برای طراحی خودکار مدل مسیریابی و بهره گیری همزمان از تحلیل پوششی داده ها جهت ارزیابی چندبعدی عملکرد الگوریتم ها است. این رویکرد می تواند به عنوان چارچوبی کارآمد برای تصمیم گیری هوشمند در شبکه های مخابراتی آینده مورداستفاده قرار گیرد.

کلیدواژه ها:

مسیریابی شبکه ، بهینه سازی چندهدفه ، یادگیری تقویتی عمیق ، الگوریتم ژنتیک ، تحلیل پوششی داده ها ، بهینه سازی فراپارامتر