ارائه الگوریتمی تطبیقی جهت انتخاب ابرنظیر با آگاهی از حذف ابرنظیرها در توپولوژی گرادیانی مبتنی بر اتوماتای یادگیر
Publish Year: 1393
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 1,441
This Paper With 14 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
CSITM01_059
تاریخ نمایه سازی: 10 شهریور 1393
Abstract:
شبکه نظیر به نظیر به صورت یک شبکه روگستر برروی شبکه دیگری بنا می شود. شبکه ابرنظیر یکی از انواع شبکه های نظیر به نظیراست. یک ابرنظیر در شبکه مبتنی بر ابرنظیر، نظیری است که از دیگرنظیرها توانایی بیشتری داشته و بخشی از وظایف مدیریت شبکهرا بر عهده دارد. به دلیل آنکه نظیرهای مختلف از نظر توانایی با یکدیگر بسیار متفاوت هستند، انتخاب ابرنظیر یکی از چالش هایمطرح در شبکه های مبتنی بر ابرنظیر است. به واسطه حذف و اضافه زیاد نظیرها در این شبکه ها، روشهای تطبیقی جهت انتخابابرنظیرها از اهمیت ویژهای برخوردارند. توپولوژی گرادیانی مدلی از شبکه های مبتنی بر ابرنظیر است. الگوریتم های تطبیقی موجود کهبرای مدیریت توپولوژی گرادیانی ارائه شده اند، نسبت به حذف و اضافه شدن نظیرها حساس نمی باشند. الگوریتم پیشنهادی با آگاهی ازحذف ابرنظیرها، با استفاده از اتوماتای یادگیر که یک مدل یادگیری تقویتی است، به صورت تطبیقی ابرنظیرهای جدید را انتخاب می-کند. با توجه به نتایج شبیه سازی، الگوریتم پیشنهادی در صورت حذف درصدی از ابرنظیرها، از لحاظ مناسب نگه داشتن تعدادابرنظیرها قبل از حذف و بعد از حذف، زمان کم جهت انتخاب ابرنظیرهای مناسب و میزان خطای کم جهت انتخاب ابرنظیر مناسب،نسبت به الگوریتم های موجود عملکرد بهتری دارد.
Keywords:
Authors
سارا فتحی پور
دانشجوی کارشناسی ارشد، دانشگاه آزاد اسلامی واحد علوم و تحقیقات، گروه مهندسی فناوری اطلاعات، قزوین، ایران
محمدرضا میبدی
استاد تمام، دانشگاه صنعتی امیرکبیر، دانشکده مهندسی کامپیوتر و فناوری اطلاعات، تهران
علی محمد صغیری
دانشجوی دکتری، دانشگاه صنعتی امیرکبیر، دانشکده مهندسی کامپیوتر و فناوری اطلاعات، تهران
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper 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 Paper لینک شده اند :