اتوماتای یادگیر در سیستم ­هایی که دانش کاملی ندارند، مفید بوده­ است. بنابراین می ­توان از آن به عنوان ابزاری برای حل مسائل شبکه ­های ادهاک استفاده کرد که گره­ ها در آن متحرک بوده و در یک محیط پویا کار می ­کنند. این شرایط احتمالاً منجر به ویژگی ­های ناشناخته ای می­شود که با زمان تغییر می ­کنند. در این مقاله، پس از مرور کوتاهی بر کارهای مرتبط، یعنی اتوماتای یادگیر و الگوریتم CEC، که یک الگوریتم کنترل توپولوژی مبتنی بر خواب است،  یک نسخه­ ی اصلاح شده (با نام MCEC) ارائه شده است. علاوه براین، برای تصمیم­ گیری در مورد خواب یا عدم خواب یک گره، استفاده از یک الگوریتم احتمالاتی توصیه شده است. همچنین برای بهبود الگوریتم احتمالاتی پیشنهادی، یک الگوریتم توزیع شده با استفاده از اتوماتای یادگیر ارائه شده است. در نهایت، الگوریتم­های پیشنهادی در شبکه ­های ثابت و غیر ثابت شبیه سازی شده ­اند. در نتیجه، همان طور که نتایج شبیه سازی نشان می­ دهند، کارایی الگوریتم پیشنهادی نسبت به الگوریتم ­های دیگر کنترل توپولوژی بهتر بوده و موثر بودن استفاده از اتوماتای یادگیر را نشان می ­دهد.

-1مقدمه

مهم ترین چالش شبکه­ های ادهاک، باتری محدود هر گره است. بنابراین، الگوریتم­ های کنترل زیادی برای حل این مشکل ارائه شده است. کنترل توپولوژی (TC) یک توپولوژی با ویژگی­ های معین (مثل قابلیت اتصال) ایجاد می­ کند و مصرف انرژی را کاهش، و/یا ظرفیت شبکه را افزیش  می دهد[1]. اهمیت TC به دلیل این است که نقش حساسی در کارایی سیستم دارد. برای مثال، همان طور که در [2] نشان داده شده، TC قابلی استفاده مجدد مکانی از شبکه را افزایش می ­دهد. از این رو، ظرفیت حمل ترافیک در آن افزایش ­می یابد. کنترل توپولوژی با تنظیم گره­های افزونه در حالت خواب، به صورتی که شبکه متصل بماند و مصرف انرژی حداقل شود، انجام می­ شود. کنترل توپولوژی مصرف انرژی ارتباطات را کاهش داده، و متعاقباً بر طول عمر باتری (که یک منبع حساس در بسیاری از کاربردهای سیار است) تاثیر می­گذارد. علاوه براین، با قرار دادن گره ­های افزونه در حالت خواب و تنظیم قدرت انتقال گره ­ها می­ توان تاثیر کنترل توپولوژی بر برخوردها و تصادم­ های داخلی را کاهش داد… 

میتوانید از لینک ابتدای صفحه، مقاله انگلیسی را رایگان دانلود فرموده و چکیده انگلیسی و سایر بخش های مقاله را مشاهده فرمایید.