توضیحات:
دانلود پاورپوینت با موضوع استفاده ازالگوریتمهای الهام گرفته از کلونی مورچه ها در مسیریابی شبکه های کامپیوتری،
در قالب ppt و در 20 اسلاید، قابل ویرایش.
بخشی از متن پاورپوینت:
مروری بر مسیریابی در شبکه های کامپیوتری:
نیازهای حاصل از رشد شبکه های ارتباطی
افزایش کارآیی
مدیریت توزیع شده
معیارهای موثر در ارزیابی روشهای “مسیریابی”
Throughput
Average Delay of packets
ویژگی خاص مساله “مسیریابی”
عدم قطعیت (Stochastic)
پویایی (Dynamic)
هوش جمعی (swarm Intelligence):
Emergent Intelligence
تعاملات محلی ، محدود و ساده اعضای یک دسته و جمعیت با محیط ، منتهی به یک رفتار جمعی هوشمندانه می شود
این تعاملات غالبا غریزی بوده وبدون نظارت انجام می گیرند
نتیجه آن غالبا یک رفتار پیچیده و هوشمندانه جمعی و بطور خاص انجام بعضی بهینه سازی های پیچیده است
این نوع هوشمندی هیچ نیازی به کنترل مرکزی و دید کلی نسبت به سیستم ندارد
Stigmergy : ایده اصلی در تعاملات
ارتباط با واسطه محیط
لانه سازی موریانه ها
ترشح اسید فرمیک توسط مورچه ها
فهرست مطالب:
مروری بر مسیریابی در شبکه های کامپیوتری
هوش جمعی (swarm Intelligence)
مسیریابی با الهام از کلونی مورچه ها
AntNet CL
AntNet CO
شبیه سازی AntNet CO
مقایسه AntNet با روشهای معمول مسیریابی
الگوریتم بهینهسازی غذایابی سفره ماهی(Manta ray foraging optimization) یکی از الگوریتمهای فراابتکاری است که در سال 2020 در ژورنال معتبر Engineering Applications of Artificial Intelligence از انتشارات الزویر چاپ شده است. در این تحقیق، الگوریتم بهینهسازی غذایابی سفره ماهی توسط الگوریتم بهینهسازی اجتماع ذرات بهبود داده شده است. هدف مدل ترکیبی PSOMRFO این است که موقعیت عاملها به سمت نقاط بهینه باشد و الگوریتم در نقاط بهینه محلی گیر نکند. ارزیابی مدل ترکیبی PSOMRFO برروی 23 تابع استاندارد در محیط متلب 2018 انجام شده است. نتایج آزمایشها نشان میدهد که مدل ترکیبی PSOMRFO در مقایسه با الگوریتم بهینهسازی غذایابی سفره ماهی و الگوریتم بهینهسازی اجتماع ذرات عملکرد بهتری دارد.
الگوریتم بهینهسازی شغال طلایی(Golden jackal optimization) یکی از الگوریتمهای فراابتکاری است که در سال 2022 در ژورنال معتبر Expert Systems With Applications از انتشارات الزویر چاپ شده است. در این تحقیق، الگوریتم بهینهسازی شغال طلایی توسط الگوریتم بهینهسازی اجتماع ذرات بهبود داده شده است. هدف مدل ترکیبی PSOGJO این است که موقعیت شغالها به سمت نقاط بهینه باشد. ارزیابی مدل ترکیبی PSOGJO برروی 23 تابع استاندارد در محیط متلب 2018 انجام شده است. نتایج آزمایشها نشان میدهد که مدل ترکیبی PSOGJO در مقایسه با الگوریتم بهینهسازی شغال طلایی و الگوریتم بهینهسازی اجتماع ذرات عملکرد بهتری دارد.
الگوریتم بهینهسازی غذایابی سفره ماهی(Manta ray foraging optimization) یکی از الگوریتمهای فراابتکاری است که در سال 2020 در ژورنال معتبر Engineering Applications of Artificial Intelligence از انتشارات الزویر چاپ شده است. در این تحقیق، الگوریتم بهینهسازی غذایابی سفره ماهی توسط الگوریتم بهینهسازی اجتماع ذرات بهبود داده شده است. هدف مدل ترکیبی PSOMRFO این است که موقعیت عاملها به سمت نقاط بهینه باشد و الگوریتم در نقاط بهینه محلی گیر نکند. ارزیابی مدل ترکیبی PSOMRFO برروی 23 تابع استاندارد در محیط متلب 2018 انجام شده است. نتایج آزمایشها نشان میدهد که مدل ترکیبی PSOMRFO در مقایسه با الگوریتم بهینهسازی غذایابی سفره ماهی و الگوریتم بهینهسازی اجتماع ذرات عملکرد بهتری دارد.
الگوریتم بهینهسازی شغال طلایی(Golden jackal optimization) یکی از الگوریتمهای فراابتکاری است که در سال 2022 در ژورنال معتبر Expert Systems With Applications از انتشارات الزویر چاپ شده است. در این تحقیق، الگوریتم بهینهسازی شغال طلایی توسط الگوریتم بهینهسازی اجتماع ذرات بهبود داده شده است. هدف مدل ترکیبی PSOGJO این است که موقعیت شغالها به سمت نقاط بهینه باشد. ارزیابی مدل ترکیبی PSOGJO برروی 23 تابع استاندارد در محیط متلب 2018 انجام شده است. نتایج آزمایشها نشان میدهد که مدل ترکیبی PSOGJO در مقایسه با الگوریتم بهینهسازی شغال طلایی و الگوریتم بهینهسازی اجتماع ذرات عملکرد بهتری دارد.