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

Publish Year: 1395
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 456

This Paper With 17 Page And PDF Format Ready To Download

  • Certificate
  • من نویسنده این مقاله هستم

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این Paper:

شناسه ملی سند علمی:

ITCC03_162

تاریخ نمایه سازی: 6 اردیبهشت 1396

Abstract:

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.

Keywords:

Authors

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 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 :
  • 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