| دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی
|
|
| عنوان فارسی مقاله: |
مسیریابی در شبکه پویا با استفاده از الگوریتم ژنتیک و الگوریتم موریانه ای |
| عنوان انگلیسی مقاله: |
Routing in Dynamic Network using Ants and Genetic Algorithm |
|
|
| مشخصات مقاله انگلیسی و ترجمه فارسی | |
| سال انتشار | 2009 |
| تعداد صفحات مقاله انگلیسی | 7 صفحه با فرمت pdf |
| تعداد صفحات ترجمه مقاله | 14 صفحه با فرمت word به صورت تایپ شده با قابلیت ویرایش |
| رشته های مرتبط با این مقاله | مهندسی کامپیوتر و مهندسی فناوری اطلاعات |
| گرایش های مرتبط با این مقاله | مهندسی الگوریتم ها و محاسبات، شبکه های کامپیوتری و معماری سیستم های کامپیوتری |
| مجله | مجله بین المللی علوم کامپیوتر و امنیت شبکه (International Journal of Computer Science and Network Security) |
| دانشگاه | دانشکده مهندسی R V، بنگلور، هند |
| کلمات کلیدی | مسیریابی، الگوریتم موریانه ای ، الگوریتم ژنتیکی، معبر، جهش |
| رفرنس | دارد |
| نشریه IJCSNS |  |
بخشی از ترجمه:
چکیده
مسیریابی در شبکه پویا یک فعالیت چالش انگیز است، چون توپولوژی شبکه ثابت نمی باشد. این مسئله در این بررسی با استفاده از الگوریتم موریانه ای برای مد نظر قرار دادن شبکه هایی که از چنین بسته های اطلاعاتی استفاده می کنند، مطرح می گردد. مسیرهای ایجاد شده توسط الگوریتم انت (موریانه) به عنوان داده ورودی برای الگوریتم ژنتیک می باشد. الگوریتم ژنتیکی مجموعه ای از مسیرهای مناسب را پیدا می کند. اهمیت استفاده از الگوریتم موریانه ای، کاهش اندازه جدول مسیر می باشد. اهمیت الگوریتم ژنتیک بر مبنای اصل تکامل مسیرها به جای ذخیره مسیرهای از پیش محاسبه شده می باشد.
١. مقدمه
مسیریابی به عنوان فرایند انتقال بسته ها از گره مبدا به گره مقصد با هزینه حداقل می باشد. از این رو الگوریتم مسیریابی به دریافت، سازماندهی و توزیع اطلاعات در مورد وضعیت شبکه می پردازد. این الگوریتم به ایجاد مسیرهای عملی بین گره ها پرداخته و ترافیک داده ها را در بین مسیرهای گلچین شده ارسال کرده و عملکرد بالایی را حاصل می کند. مسیریابی به همراه کنترل تراکم و کنترل پذیرش به تعریف عملکرد شبکه می پردازد. الگوریتم مسیریابی می بایست دارای اهداف کلی از استراتژی مسیریابی بر مبنای اطلاعات سودمند محلی باشد. این الگوریتم همچنین می بایست کاربر را در مورد کیفیت خدمات راضی نگه دارد. بعضی از روش های مطرح شده برای رسیدن به این اهداف عبارتند از شبیه سازی حشرات اجتماعی و شبکه بسته شناختی. این دو روش از جدول مسیریابی احتمالات استفاده کرده و این امکان را به بسته ها می دهد تا به بررسی و گزارش توپولوژی و عملکرد شبکه بپردازند. دوریگو ام و دی کارو جی، شبکه موریانه ای را به عنوان روشی برای مسیریابی در شبکه ارتباطات مطرح می کنند. ار اسکوندر وورد، اون هالند، جانت (موریانه) بروتن و و لئون روسکرانت، در مقاله شان به بحث در مورد حاصل شدن توازن ظرفیت در شبکه های ارتباطاتی با استفاده از الگوریتم موریانه ای می پردازند. تونی وارد در مقاله تخصصی اش به شرح این موضوع می پردازد که چگونه عوامل محرک بیولوژیکی می تواند برای حل مشکلات مدیریت و کنترل در ارتباطات مورد استفاده قرار گیرد.
هدف این مقاله ایجاد راه حلی با استفاده از الگوریتم موریانه ای ( استعاره حشره اجتماعی) و بهینه سازی راه حل با استفاده از الگوریتم های ژنتیکی می باشد. الگوریتم موریانه ای دسته ای از تراکم اطلاعاتی می باشد. تراکم اطلاعاتی روش جایگزینی را در ارتباط با طراحی سیستم اطلاعاتی ارائه می دهد که در آن عملیات خودگردانی، ظهور و توزیع جایگزین کنترل، پیش برنامه ریزی و تمرکز می گردد. این روش تمرکزش را بر روی توزیع، انعطاف پذیری، توانمندی و ارتباطات مستقیم و غیرمستقیم در میان عوامل نسبتا ساده قرار می دهد. الگوریتم ژنتیک به عنوان الگوریتمی می باشد که در آن جمعیت مرتبط با هر گره در مجموع برای حل مشکلات مشارکت دارد.
بخشی از مقاله انگلیسی:
Summary
Routing in dynamic network is a challenging one, because the topology of the network is not fixed. This issue is addressed in this presentation using ant algorithm to explore the network using intelligent packets. The paths generated by ants are given as input to genetic algorithm. The genetic algorithm finds the set of optimal routes. The importance of using ant algorithm is to reduce the size of routing table. The significance of genetic algorithm is based on the principle evolution of routes rather than storing the precomputed routes.
1. Introduction
Routing is a process of transferring packets from source node to destination node with minimum cost. Hence routing algorithm has to acquire, organize and distribute information about network states. It should generate feasible routes between nodes and send traffic along the selected path and also achieve high performance. Routing in conjunction with congestion control and admission control defines the performance of the network [1]. Routing algorithm should have generic objective of routing strategy to be both dynamically reconfigurable and be based on locally available information. It should also satisfy user quality of service objectives. Some of the methods proposed in achieving these objectives are social insect metaphors and cognitive packet network. These two methods use the probabilistic routing table and allow the packets themselves to investigate and report network topology and performance. Dorigo M & Di Caro G [2], presents Antnet as an approach for routing in communication network. R Schoonderwoerd, Owen Holland, Janet Bruten and Leon Rothkrantz [3], in their paper describe achieving load balancing in telecommunication networks using ant algorithm. Tony White [4], in his technical report describes how the biologically inspired agents can be used to solve control and management problems in telecommunications.
The purpose of this work is to generate solution using ant algorithm (social inset metaphor) and optimize solution using genetic algorithms. Ant algorithm is a class of swarm intelligence. Swarm intelligence offers an alternative way of designing intelligent system, in which autonomy, emergence and distributed functioning replace control, preprogramming and centralization [5]. This approach emphasizes on distributed- ness, flexibility, robustness and direct or indirect communication among relatively simple agents. Genetic algorithm is one in which the population associated with each node co-evolve to solve the problem as whole.
| دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی
|
|
| عنوان فارسی مقاله: |
مسیریابی در شبکه پویا با استفاده از الگوریتم ژنتیک و الگوریتم موریانه ای |
| عنوان انگلیسی مقاله: |
Routing in Dynamic Network using Ants and Genetic Algorithm |
|
|