بررسی الگوریتم ژنتیک و الگوریتم های تکوینی چند منظوره برای حل مشکل تخصیص طول موج و مسیر یابی آگاهانه اختلال

نخستین الگوریتم با استفاده از استراتژی های بهینه سازی چند منظوره کلاسیک ( MOO ) بطور غیر مستقیم اختلالات فیزیکی را از طریق طول مسیر و تعداد گام های رایج در پروسه تحقیق بررسی می کند. دومین الگوریتم یک الگوریتم تکوینی تک منظوره ( GA ) است که فاکتور Q را برای ارزیابی امکان اجرای محلول RWA منتخب به کار می برد . فاکتور Q در هر تکرار الگوریتم در یک شیوه خود یادگیری به منظور ارزیابی شایستگی هر محلول برای مسئله RWA و راه انداز تکامل جمعیت استفاده می شود. نتایج پیشرفت نشان داده است که ملاحظه طول مسیر و تعداد گام های رایج برای بررسی غیر مستقیم اختلالات، یک راه حل موثر برای مسئله IA-RWA ارائه می دهد . عملکرد جهش برای موفقیت آمیز بودن الگوریتم های جهش، بسیار تعیین کننده می باشد، زیرا مسیرهای جستجو متنوعی ایجاد کرده و باعث اجتناب از همگرایی به نقاط بهینه محلی می شود. الگوریتم های ژنتیک ابتدایی، صرفا از یک عملگر جهش برای تولید نسل بعدی، استفاده می کنند. هر مساله، و حتی هر مرحله از پروسه ژنتیک در یک تک مساله، ممکن است نیازمند عملگرهای جهش متفاوت مناسب، جهت کسب بهترین نتایج باشد. تعیین این که کدام عملگر جهش می بایستی به کار گرفته شود، بسیار دشوار بوده و معمولا با تجربه یا سعی و خطا حاصل می شود. این مقاله الگوریتم ژنتیکی جدیدی را برای رفع این مشکلات، معرفی می نماید؛. در شبکه های WDM شفاف ( بصری ) آینده، کیفیت سیگنال ارسال ( QoT ) ناشی از اختلالات لایه فیزیکی کاهش خواهد یافت. در این مقاله، ما دو الگاریتم تکوینی را برای حل مشکل RWA آگاهانه اختلال آماری ( IA-RWA ) بوسیله محاسبه اثر اختلالات فیزیکی در پروسه بهینه سازی پیشنهاد می کنیم در حالی که در جستجوی کانال طول موج و مسیر ارسال بهینه هستیم .

Keywords:

الگوریتم ژنتیک , بهینه سازی , جهش دینامیک , میزان برازش , نسل , فرزند , نسبت جهش