| دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی
|
|
| عنوان فارسی مقاله: |
بهینه سازی ازدحام ذرات برای مسیریابی چند قیدی در شبکه های مخابراتی |
| عنوان انگلیسی مقاله: |
Particle Swarm Optimization for Multi-constrained Routing in Telecommunication Networks |
|
|
| مشخصات مقاله انگلیسی (PDF) | |
| سال انتشار مقاله | 2011 |
| تعداد صفحات مقاله انگلیسی | 8 صفحه با فرمت pdf |
| رشته های مرتبط با این مقاله | مهندسی برق، مهندسی کامپیوتر و مهندسی فناوری اطلاعات |
| گرایش های مرتبط با این مقاله | مهندسی نرم افزار، شبکه های کامپیوتری، مخابرات رمز و سیستم‌های مخابراتی |
| مجله مربوطه | مجله بین المللی آموزش و پرورش مدرن و علوم کامپیوتر(International Journal of Modern Education and Computer Science) |
| دانشگاه تهیه کننده | آزمایشگاه کلیدی ارتباطات بی سیم جهانی، وزارت آموزش و پرورش دانشگاه پست و مخابرات، پکن، چین |
| کلمات کلیدی این مقاله | مسیریابی چند قیدی ( چند محدودیتی)، بهینه سازی ازدحام ذرات، کیفیت سرویس |
| رفرنس | دارد |
| نشریه | Mecs-press |
| مشخصات و وضعیت ترجمه فارسی این مقاله (Word) | |
| تعداد صفحات ترجمه تایپ شده با فرمت ورد با قابلیت ویرایش و فونت 14 B Nazanin | 23 صفحه |
| ترجمه عناوین تصاویر و جداول | ترجمه شده است |
| ترجمه متون داخل تصاویر و جداول | ترجمه نشده است |
| درج تصاویر در فایل ترجمه | درج شده است |
| درج جداول در فایل ترجمه | درج شده است |
| درج فرمولها و محاسبات در فایل ترجمه به صورت عکس | درج شده است |
- فهرست مطالب:
چکیده
۱ مقدمه
۲ الگوریتم بهینه سازی PSO
۳ مدل ریاضی مسیریابی QoS
A مدل ریاضی
B ساخت تابع برازش
۴ طراحی الگوریتم
A تولید ذرات اولیه
B بهبود فرمول و تعریف
D پیاده سازی الگوریتم
۵ شبیه سازی آزمایشی و بحث
۶ نتیجه گیری
- بخشی از ترجمه:
برای تامین نیازهای گوناگون کاربران در رابطه با QoS شبکه، مقاله حاضر راهی برای حل مسئله ارائه می کند. اولاً مدل مسیریابی چند قیدی (چند محدودیتی) QoS راه اندازی شده و تابع برازش با تبدیل محدودیت های QoS به تابع پنالتی، ساخته می شود. ثانیاً، فرمول تکراری PSO بهبود یافت، به گونه ای که در مسئله مسیریابی که فضای جستجوی ناپیوسته است، قابل استفاده می باشد. بالاخره برای بهبود عملکرد الگوریتم PSO، ایده های انتخاب طبیعی و جهش در GA را برای PSO معرفی کردیم که این مسئله باعث تنوع بیشتر ذرات گردید. نتایج شبیه سازی ثابت کرد که الگوریتم های GA-PSO نه تنها قادر به حل موفقیت آمیز مسئله مسیریابی چند قیدی QoS هستند، بلکه همچنین به اثر بهتری در نرخ موفقیت جستجو نائل می گردند.
- بخشی از مقاله انگلیسی:
INTRODUCTION With the emergence of abundant users’ services, it put forward diverse Quality of Service (QoS) demands for telecommunication networks, such as requiring routing faster and more reliable. and the QoS routing is the optimization problem under the satisfaction of multiple QoS constraints conditions. Routing works on the network layer to provide QoS guarantees for the traffic flows by gathering the messages from the other layers and scheduling the network resource through route selection. The QoS routing usually consider the following parameters: band-width, delay, packet loss rate, delay jitter and cost. Considering the above QoS parameters, the routing is a problem of finding the optimal on the multiple constraint conditions. Searching for the optimal path requires a high performance on the effectiveness and complexity of the algorithm. At present, many optimization algorithms have been introduced to solve the route selection problem. There are many methods to solve the optimization problems, including the classical optimization and modern optimization. The classical optimization method is the mathematical programming, and the nonlinear optimization is the most typical mathematical programming. The nonlinear optimization problem with the constraints has been proved to be an NP-complete problem, the common solutions are the analysis methods and numerical methods, which start from one point, then according to certain methods to obtain the direction and step length of the next point, after searching through several iterations to find the optimal solution. Common limitations of these algorithms are easy to fall into local optimum, limited by the objective function and dependent on the selection of initial value. The classical optimization method usually solves the problems of the accounting process and the TSP etc. The modern optimization method has been developed rapidly from 80’s in the 20th century, such as the Tabu Search (TS), Simulated Annealing (SA), Genetic Algorithm (GA) and Neural Network Algorithms (NNA) which are structured from biological evolution, artificial intelligence, physics and other visual basis. These algorithms are fast, intuitive and easy, but also with shortcomings of instability and not guarantee the optimal solution. They provide quite good ideas to solve the constrained optimization problems. At the same time, the swarm intelligence like Ant Colony Optimization (ACO) and the PSO has been quickly applied to many areas such as the route selection. The ACO[1] is first proposed By M.Dorig in 1992, inspired by the performance of Ant colony foraging behavior, ACO has been used to solve TSP problems, job shop problem, vehicle routing and network routing issues and it proved to be an effective optimization algorithm. Literatures [2-4] used the advantage of Artificial Neural Network (ANN) algorithm’s parallel architecture which can provide rapid solution to solve Shortest Path (SP) problem and obtained good results. However, with the increasing of network node, ANN algorithm reduces the reliability of solutions, and the adaptability for the dynamic topology network is also not high enough. GA utilizes effective evolutionary process to solve routing problem which also considers sub-optimal path, and which greatly improves the shortage of ANN [5-8]. TS algorithm has also been used in the network to search the optimal path [9]. The successful applications of the above optimization algorithm to solve the routing problem indicate that introduce similar evolutionary algorithm to the routing is feasible. The PSO is a well-known algorithm based on the stochastic optimization technique inspired by the social behavior of bird flock which is proposed by Kennedy and Eberhart [10]. As a relatively new evolutionary paradigm, it has been grown in the past decades and many studies of neural network related to PSO have been presented [11-12]. PSO has the advantages of faster calculation and less computational cost comparing with the GA algorithm [13]. Literatures [14-17] compared the performance of PSO with GA and other algorithms, which proved PSO has similar or even significantly better performance on the validity and the success rate.
| دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی
|
|
| عنوان فارسی مقاله: |
بهینه سازی ازدحام ذرات برای مسیریابی چند قیدی در شبکه های مخابراتی |
| عنوان انگلیسی مقاله: |
Particle Swarm Optimization for Multi-constrained Routing in Telecommunication Networks |
|
|
