استفاده از الگوریتم فرامکاشفه ای ژنتیک به منظور بهبود کارآیی انتقال در شبکه های پیچیده

سال انتشار: 1395
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 513

فایل این مقاله در 17 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

ITCC03_162

تاریخ نمایه سازی: 6 اردیبهشت 1396

چکیده مقاله:

با توسعه سریع جامعه، شبکه های ارتباطی بزرگ مانند اینترنت، اهمیت فزایندهای یافته اند. همین امر سبب شده تا نیاز بهکارآیی بالا در تحویل اطلاعات افزایش یابد. کارآیی انتقال در شبکه های پیچیده را میتوان توسط طراحی استراتژی هایمسیریابی بهینه یا انجام تغییرات مناسب در ساختار شبکه زیربنایی بهبود بخشید. از آنجا که به طور معمول تغییر توپولوژیشبکه هزینه برتر است، طراحی استراتژی های مسیریابی بهینه اولویت می یابد. با توجه به اینکه تا کنون از الگوریتم هایفرامکاشفه ای به منظور بهبود کارآیی انتقال در شبکه های پیچیده استفاده نشده است، هدف ما در این مقاله ارایه یکالگوریتم مسیریابی جدید بر پایه الگوریتم فرامکاشفه ای ژنتیک است که با انتخاب گره هایی با سربار کمتر بتواند به صورتپویا توازن بار انجام دهد و در نتیجه ظرفیت شبکه را بهبود بخشد. علت حرکت به سمت الگوریتمهای فرامکاشفه ای آناست که این دسته از الگوریتم ها با الهام گرفتن از یک پدیده طبیعی این امکان را می یابند که فضای جستجوی بسیار بزرگطیف وسیعی از مسایل بهینه سازی پیچیده را به صورت بسیار هوشمندانه ای مورد کاوش قرار دهند. منظور از هوشمندانه دراینجا آن است که الگوریتم های فرامکاشفه ای کل فضای جستجو را پیمایش نکرده و تنها به پیمایش بخشی از فضا کهاحتمال وجود یک پاسخ به اندازه کافی خوب در آن بیشتر است، اکتفا می کنند. همین امر سبب می شود تا امکان استفادهاز روش پیشنهادی ما در شبکه های مقیاس بزرگ نیز امکان پذیر باشد. نتایج شبیه سازی نشان می دهند که روش پیشنهادیما نسبت به استراتژی مسیریابی کوتاه ترین مسیر میتواند بار را متوازنتر توزیع کند و در نتیجه ظرفیت شبکه را به میزانبیشتری افزایش دهد.

کلیدواژه ها:

کارآیی انتقال ، استراتژی مسیریابی ، ظرفیت شبکه ، توزیع بار ، الگوریتم فرامکاشفه ای ژنتیک

نویسندگان

زهرا نصیری

دانشگاه آزاد اسلامی، واحد قزوین، دانشکده مهندسی کامپیوتر و فناوری اطلاعات، قزوین، ایران

فرشاد صفایی

دانشکده مهندسی و علوم کامپیوتر، دانشگاه شهید بهشتی، تهران، ایران

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • Newman, M. E. (2003). The structure and function of complex ...
  • Vidmar, M. (2007). Complex networks. ...
  • Chen, S., Huang, W., Cattani, C., & Altieri, G. (2011). ...
  • Pu, C. L., Zhou, S. Y., Wang, K., Zhang, Y. ...
  • Wu, Z. X., Peng, G., Wong, W. M., & Yeung, ...
  • Danila, B., Yu, Y., Marsh, J. A., & Bassler, K. ...
  • Yan, G., Zhou, T., Hu, B., Fu, Z. Q., & ...
  • Echenique, P., Gomez-Ga rdeies, _ & Moreno, Y. (2004). Improved ...
  • Moreno, Y. (2005). Dynamics of jamming & , .ل Echenique, ...
  • Zhang, H., Liu, Z., Tang, M., & Hui, P. M. ...
  • Ling, X., Hu, M. B. Jiang, R., & Wu, O. ...
  • Hu, M. B. iang, R., Wu, Y. H., Wang, W.X., ...
  • Scellato, S., Fortuna, L., Frasca, M., Gomez-Ga rdeies, _ & ...
  • Kleinberg, J. M. (2000). Navigation in a small world Nature, ...
  • Herrero, C. P. (2005). Self-avoiding walks on scale-free networks. Physical ...
  • Yang, S. J. (2005). Exploring complex networks by walking on ...
  • Wang, W. X., Wang, B. H., Yin, C. Y., Xie, ...
  • Yin, C. Y., Wang, B. H., Wang, W. X., Zhou, ...
  • Tadic, B., & Thurner, S. (2004). Information su per-diffusion on ...
  • Gonen, B. (2011). Genetic Algorithm finding the shortest path in ...
  • نمایش کامل مراجع