روش نوین مسیریابی چندپخشی مبتنی بر منطق فازی و یادگیری تقویتی در شبکه های مش بی سیم چندرادیویی و چندکاناله

در شبکه های مش بی سیم چندرادیویی و چندکاناله (MR-MC WMNs)، استفاده از گره های چند رادیویی که به کانال های غیرهمپوشان متصل هستند، موجب افزایش ظرفیت شبکه و بهبود پهنای باند قابل دسترس می شود؛ با این حال، در شرایطی که تعداد رادیوها بیشتر از تعداد کانال ها باشد، تداخل میان لینک ها اجتناب ناپذیر بوده و عملکرد شبکه را کاهش می دهد. این مطالعه با هدف بهینه سازی عملکرد شبکه در شرایط ترافیک بالا و محیط های چندکاناله، الگوریتمی با عنوان مسیریابی مبتنی بر منطق فازی و یادگیری تقویتی (RLFLBRA) ارائه می دهد که با بهره گیری از سه ورودی فازی شامل سطح تداخل، پهنای باند در دسترس و تعداد گام های مسیر، مسیرهای بهینه برای ارسال چندپخشی را انتخاب می­کند. این الگوریتم با درنظر گرفتن آگاهی از تداخل، منجر به استفاده موثرتر از منابع شبکه می شود. کارایی روش پیشنهادی از طریق شبیه سازی در نرم افزار OPNET نسخه ۱۰.۵ و با مقایسه با پروتکل های مرجع نظیر CAMF و FB_MR بررسی شده است. نتایج حاکی از بهبود قابل توجه در شاخص هایی مانند نرخ گذردهی، نسبت تحویل بسته، و تاخیر انتها به انتها هستند.

کلیدواژه ها:

Wireless Mesh Networks ، Multicasting ، Multi-Radio ، Multi-Channel ، Fuzzy Logic ، Reinforcement Learning. ، شبکه های مش بی سیم ، چندپخشی ، چندرادیویی ، چندکاناله ، منطق فازی ، یادگیری تقویتی