رویکردی نوین مبتنی بر الگوریتم های فراابتکاری بر پایه اینترنت اشیاء جهت مدیریت ترافیک شبکه های ادهاک خودرویی

این مقاله به معرفی یک رویکرد پویا برای کنترل ترافیک در شبکه های خودرویی موقت (VANETs) با بهره گیری از الگوریتم های یادگیری ماشین و الگوریتم های خفاش (BA) می پردازد. در این روش، از شبکه های عصبی عمیق برای بهینه سازی مسیریابی وسایل نقلیه در مسیرهای با ترافیک سنگین استفاده می شود تا کارایی افزایش یافته و میانگین تاخیر کاهش یابد. این پژوهش همچنین به تحلیل ترکیب شبکه های خودرویی موقت با اینترنت اشیاء (IoT) و بررسی وضعیت ترافیک و ازدحام میان گره های شبکه می پردازد. تحلیل های تجربی نشان دهنده کارایی الگوریتم DNN-IOT-BA در احراز هویت در محیط های اینترنت اشیاء است که با سایر الگوریتم های یادگیری ماشین و یادگیری عمیق در شبکه های خودرویی مقایسه می شود. اعتبارسنجی الگوریتم شبکه های عصبی عمیق برای احراز هویت در محیط های اینترنت اشیاء بر اساس معیارهای مختلف شبکه، شامل نسبت تحویل بسته، تاخیر و نرخ خطای بسته ها انجام می شود. نتایج شبیه سازی ها نشان می دهد که روش پیشنهادی نسبت به روش های رایج، افزایش نرخ تحویل پیام و کاهش تاخیر انتها به انتها را برای مدیریت شرایط ترافیکی بلادرنگ ارائه می دهد.

کلیدواژه ها:

شبکه های ادهاک خودرویی ، الگوریتم های فراابتکاری ، نرخ تحویل پیام ، تاخیر انتقال داده ، اینترنت اشیاء