کاهش مصرف انرژی در شبکه MANET با مسیریابی گلبرگی و یادگیری تقویتی در متلب
در این پروژه سعی داریم با استفاده از پایش سرعت حرکت گره ها، تعیین عرض گلبرگ و انتخاب آگاهانه گره های گام بعدی، بهترین و بهینه ترین مسیر را برای مسیریابی داده ها انتخاب می کنیم به نحوی که نرخ اتلاف بسته کاهش و مصرف انرژی گره ها کاهش یابد. استفاده از مدل های ریاضی در شناسایی سیستم های واقعی همواره موجب به وجود آمدن شناختی دقیق تر از آن سیستم‌ها گردیده است زیرا می توان رفتار سیستم در حالتها و شرایط مختلف را پیش بینی نمود و سیاست لازم در برخورد با چنین رفتاری را از قبل اتخاذ نمود.
در صورتی که تحرک گره‌ها افزایش یابد، با استنباط از تحرک بالای گره‌ها و خروج آنها از ناحیه تحت پوشش مسیر ایجاد شده، با استفاده از یادگیری تقویتی (Reinforcement Learning) و مفهوم پاداش و جریمه، عرض گلبرگ را افزایش می دهیم تا با ارسال پیام و کشف مسیر در یک ناحیه بزرگتر، پایداری مسیرها افزایش یابد. با این کار با توجه به افزایش قابلیت اطمینان مسیر، نرخ تحویل بسته به مقصد افزایش خواهد یافت.
اطلاعات بیشتر در لینک زیر:
لینک دسترسی (اینجا کلیک کنید)
