مقاله ترجمه شده درباره الگوریتم ژنتیک موثر برای برنامه نویسی شبکه – سال 2012
مشخصات مقاله:
عنوان فارسی مقاله:
یک الگوریتم ژنتیک موثر برای برنامه نویسی شبکه
عنوان انگلیسی مقاله:
An effective genetic algorithm for network coding
کلمات کلیدی مقاله:
کدینگ (برنامه نویسی شبکه)، الگوریتم ژنتیک، به حداقل رسانی منبع، قانون غیر مستدل (ابتکاری)
مناسب برای رشته های دانشگاهی زیر:
مهندسی فناوری اطلاعات و مهندسی کامپیوتر
مناسب برای گرایش های دانشگاهی زیر:
شبکه های کامپیوتری و برنامه نویسی کامپیوتر
وضعیت مقاله انگلیسی و ترجمه:
مقاله انگلیسی را میتوانید به صورت رایگان با فرمت PDF از باکس زیر دانلود نمایید. ترجمه این مقاله با فرمت WORD – DOC آماده خریداری و دانلود آنی میباشد.
فهرست مطالب:
چکیده
1. مقدمه
2 شکل گیری (فرمولاسیون مسئله)
3. طراحی GA برای DNCP
3.1 ایده ی اصلی Gas
3.2 ساختار کروموزومی
3.3 اپراتورهای تکوینی
3.4 قوانین ابتکاری
4. نتایج شبیه سازی
4.2 نتایج آزمایشی SNCP
4.3 نتایج آزمایشی DNCP
4.4 تحلیل بیشتر قانون 4 و 5
4.5 تاثیر اندازه ی میدان بر روی عملکرد GAs جدیدما
5. نتیجه گیری ها و کار آینده
قسمتی از مقاله انگلیسی و ترجمه آن:
Abstract
The network coding problem (NCP), which aims to minimize network coding resources such as nodes and links, is a relatively new application of genetic algorithms (GAs) and hence little work has so far been reported in this area. Most of the existing literature on NCP has concentrated primarily on the static network coding problem (SNCP). There is a common assumption in work to date that a target rate is always achievable at every sink as long as coding is allowed at all nodes. In most real-world networks, such as wireless networks, any link could be disconnected at any time. This implies that every time a change occurs in the network topology, a new target rate must be determined. The SNCP software implementation then has to be re-run to try to optimize the coding based on the new target rate. In contrast, the GA proposed in this paper is designed with the dynamic network coding problem (DNCP) as the major concern. To this end, a more general formulation of the NCP is described. The new NCP model considers not only the minimization of network coding resources but also the maximization of the rate actually achieved at sinks. This is particularly important to the DNCP, where the target rate may become unachievable due to network topology changes. Based on the new NCP model, an effective GA is designed by integrating selected new problem-specific heuristic rules into the evolutionary process in order to better diversify chromosomes. In dynamic environments, the new GA does not need to recalculate target rate and also exhibits some degree of robustness against network topology changes. Comparative experiments on both SNCP and DNCP illustrate the effectiveness of our new model and algorithm.
چکیده
مسئله برنامه نویسی شبکه (NCP) که در صدد به حداقل رساندن منابع برنامه نویسی شبکه است هم چون ندها و لینک، نسبتا یک برنامه (application) جدید در الگوریتم های ژنتیک (GAs) محسوب می گردد و از اینرو کار کمی در این عرصه گزارش شده است. اغلب آثار مکتوب موجود در زمینه ncp بیشتر بر روی مسئله برنامه نویسی شبکه استاتیک (SNCP) تمرکز داشته است.یک فرضیه رایج در این زمینه وجود دارد که به این بر می گردد که یک سرعت هدف همیشه در هر حفره ای قابل دست یابی است تا زمانیکه برنامه نویسی در همه ندها مجاز باشد. در اغلب شبکه های جهانی حقیقی (real) همانند شبکه های بی سیم، هیچ لینکی هیچ وقت قطع نمی شود. این یعنی هر بار که تغییری در توپولوژی شبکه روی می دهد، نرخ هدف جدید باید تعیین شود. اجرای SNCP نرم افزار باید دوباره اجرا شود تا سعی شود کدگذاری را براساس نرخ هدف جدید بهینه سازی کند. در مقابل،GA ارائه شده در این مقاله با مسئله برنامه نویسی شبکه دینامیک (DNCP) به عنوان یک موضوع مهم طراحی می شود. بدین منظور،فرمولاسیون کلی تر NCP توصیف می گردد. مدل جدید NCP نه تنها به حداقل رساندن منابع برنامه نویسی شبکه را در نظر می گیرد بلکه به حداکثر رساندن سرعتی که واقعا در حفره ها بدست می آید را هم مورد توجه قرار می دهد.این به طور ویژه ای برای DNCP اهمیت دارد، در جایی که سرعت هدف ممکن است با توجه به تغییرات توپولوژی شبکه غیر قابل دستیابی باشد.بر اساس مدل NCP جدید،یک GAکارامد و موثر از طریق تلفیق قوانین ابتکاری ویژه –مسئله ی جدید با فرایند تکاملیطراحی می شود تا تنوع کروموزومی بهتری داشته باشد.در محیط های دینامیکی، GA جدید نیازی به محاسبه مجدد سرعت هدف ندارد و هم چنین درجه ای از تنومندی را در برابر تغییرات توپولوژی شبکه ای نشان می دهد. تجارب قیاسی در زمینه هم SNCP و DNCP هم اثر بخشی مدل و الگوریتم جدید را نشان می دهد.
