بهينه سازي مسيريابي پويا در شبكه‏ هاي كامپيوتري با كمك الگوريتم كلوني مورچه‏ هاي مصنوعي و اتوماتاهاي يادگير

Dynamic Routing Optimization in Computer Networks by Artificial Ant Colony Algorithm and Learning Automata

در اين پژوهش سعي بر بهينه كردن مسئله مسيريابي مستقيم درشبكه هاي ارتباطات با استفاده از الگوريتم مورچگان و سيستم اتوماتاي يادگيري داريم، كه بر روي مسيريابي براي شبكه هاي ديتاگرام يك منطقه گسترده با توپولوژي نامنظم و سرويس best-effort تمركز كرديم. . هدف ازهر الگوريتم مسيريابي هدايت ترافيك ازمنبع به مقصد، بصورت بهينه در زمان از رهگيري عملكرد شبكه مانند توان ، تاخيربسته ومنابع استفاده شده نمايد. ميزان تاخير الگوريتم ارائه شده كمترين مقدار را در بين تمامي الگوريتم ها دارا مي باشد. براي اينكه بعد از رسيدن اولين بسته، بيت هاي تجربه ي آن به بسته هاي بعدي تا زماني كه شبكه تغيير خاصي از لحاظ ازدحام ، تغيير در نرخ ارسال و يا تغييرات ساختاري نداشته باشند از بيت ها به عنوان تجربه ي بسته هاي بعدي استفاده مي كند.

In this research we are searching a method that is able to deal with the networks that are changing over time. We employ an ant colony optimization (ACO) algorithm, Which focuses on routing for datagram networks in a wide area with irregular topology and Best-Effort service. The purpose of each routing algorithm is to conduct traffic guidance from source to destination, While the proposed algorithm performance is comparable to other methods, its computational cost and delay is less than them. The computational cost of proposed method is polynomial. In order to ensure that, once the first packet has arrived, the bits of its experience to the next packets, as long as the network does not have a particular change in terms of congestion, change in transmission rates or structural changes, uses bits as the experience of subsequent packets.