با گسترش شبکه های کامپیوتری و رشد روزافزون کاربردهای مبتنی بر اینترنت اشیاء (IoT)، شبکه های حسگر بی سیم (WSN)، و شبکه های پویا مانند MANET، مساله بهینه سازی مسیریابی به یکی از چالش های بنیادین در علوم رایانه و مهندسی شبکه تبدیل شده است. الگوریتم های سنتی همچون دایکسترا و بلمن-فورد اگرچه در محیط های پایدار کارایی نسبی دارند، اما به دلیل محدودیت در سازگاری با تغییرات دینامیک و چندهدفه بودن مسائل جدید، پاسخگوی نیازهای محیط های مدرن نیستند. در این راستا، هدف اصلی این مقاله، بررسی جامع نقش و کارایی الگوریتم فاخته (Cuckoo Optimization Algorithm - COA) به عنوان یک الگوریتم فراابتکاری نوین در بهینه سازی مسیریابی شبکه های کامپیوتری است. الگوریتم فاخته با الهام از رفتار تولیدمثل انگلی پرنده فاخته و سازوکار پرش های Lévy، به عنوان رویکردی ساده اما توانمند به ویژه برای حل مسائل غیرخطی، چندهدفه و پویا معرفی شده است. در این مقاله، ضمن تبیین ساختار، مراحل اجرایی و مزایا و معایب الگوریتم فاخته نسبت به روش های دیگر (مانند PSO، GA و ACO)، به مرور مطالعات میدانی و شبیه سازی های انجام شده در حوزه های WSN، MANET، SDN و IoT پرداخته شده است. نتایج پژوهش های گذشته نشان می دهد استفاده از COA سبب کاهش محسوس مصرف انرژی، بهبود نرخ تحویل بسته و افزایش طول عمر شبکه نسبت به الگوریتم های جایگزین شده است. همچنین، کاربردهای عملی COA در محیط های پویا و دارای تغییرات سریع توپولوژی، قابلیت ها و برتری های بیشتری نسبت به رقبای خود آشکار ساخته است. در ادامه، مقاله با تمرکز بر نتایج مقایسه ای میان COA و دیگر الگوریتم های فراابتکاری، نشان می دهد که الگوریتم فاخته به سبب سادگی ساختار، سرعت همگرایی بالا و توان جستجوی جامع تر، برای کاربردهای شبکه ای خصوصاً در سناریوهای داده محور و نوظهور، انتخاب مناسبی است. با این حال، چالش هایی نظیر نیاز به تنظیم بهینه پارامترها، تطبیق محدود با مسائل گسسته و عدم وجود استانداردسازی جامع نیز شناسایی شده است. بر همین اساس، پیشنهادهای پژوهشی آینده، بهره گیری از ترکیب COA با سایر الگوریتم ها، توسعه نسخه های یادگیری محور و به کارگیری آن در محیط های واقعی و بزرگ مقیاس را مورد تاکید قرار می دهد.

لطفا برای مشاهده چکیده به متن کامل (PDF) مراجعه فرمایید.

استفاده از توابع کسری، در غیاب اطلاعات افمریز مدار ماهواره و هندسه داخلی سنجنده، یکی از بهترین روش ها برای زمین مرجع سازی تصاویر ماهواره ای و استخراج اطلاعات مکانی از تصاویر ماهواره ای است. تعداد زیاد ترم ها و عدم تفسیرپذیری آنها، باعث شده تا تعدد نقاط کنترل مورد نیاز و ایجاد خطای پارامتر های اضافه، به عنوان مهم ترین ضعف های توابع کسری وابسته به زمین شناخته شوند. استفاده از الگوریتم های بهینه سازی، یکی از راهکار های مناسب رفع این ضعف ها است. به همین دلیل از الگوریتم های بهینه سازی مختلف، برای کشف ترکیب بهینه ترم های توابع کسری وابسته به زمین استفاده شده است. از آنجا که سازوکار هریک از این الگوریتم ها با یکدیگر متفاوت است، میزان کارایی و خصوصیات مختلف این الگوریتم ها در کشف ترکیب بهینه ترم های توابع کسری وابسته به زمین متفاوت است اما تفاوت های موجود به صورت جامع، مورد مقایسه و تحلیل قرار نگرفته است. در این مقاله، به منظور بررسی کامل و جامع توانایی های سه الگوریتم بهینه سازی ژنتیک، ژنتیک بهبودیافته و ازدحام ذرات بهبودیافته در کشف ترکیب بهینه ترم های توابع کسری از دیدگاه های مختلف از جمله دقت، سرعت، تعداد نقاط کنترل مورد نیاز و قابلیت اطمینان به نتایج بدست آمده، از 4 تصویر ماهواره ای متعلق به سنجنده های GeoEye-1، IKONOS-2، SPOT-3-1ª و SPOT-3-1B استفاده شده است. اختلاف دقت کمتر از 4/0 پیکسل در نتایج هر یک از الگوریتم های بهینه سازی، 10 تا 12 برابر بودن سرعت الگوریتم ژنتیک بهبودیافته نسبت به دو الگوریتم دیگر، به ترتیب برتری 25/45 و 27 درصدی درجه آزادی الگوریتم بهینه سازی ازدحام ذرات بهبودیافته نسبت به الگوریتم ژنتیک بهبودیافته و ژنتیک و پراکندگی نسبتا یکسان نتایج هر یک از الگوریتم ها در 10 بار اجرای برنامه، حاکی از آن است که دقت هر سه الگوریتم بهینه سازی نسبتا یکسان، سرعت الگوریتم ژنتیک بهبودیافته بیشتر، تعداد نقاط کنترل مورد نیاز الگوریتم ازدحام ذرات بهبودیافته کمتر از دو الگوریتم دیگر و قابلیت اطمینان به نتایج هر یک از الگوریتم های بهینه سازی به منظور کشف ترکیب بهینه ترم های توابع کسری وابسته به زمین، یکسان است.

زمان بندی مجموعه ای از ماشین های موازی که در یک محیط هستند، هم از نظر تئوری و هم از نظر کاربردی مهم است. از نظر تئوری، تعمیم مساله ی زمان بندی یک ماشین است و از نظر کاربردی صحت منابع موازی در جهان واقعی می باشد. وقتی ماشین ها، کامپیوتر باشند یک برنامه ی موازی نیاز است زیرا اعضای مجموعه به طور موازی اجرا می شوند و این اجرا بر اساس ارتباطات تقدمی آن ها است. مزیت اجرای زمان بندی وظایف، قدرت محاسباتی کامل را فراهم می کند که به وسیله ی سیستم چندپردازنده یا چندکامپیوتری به دست می آید. در این مقاله نشان می دهیم مساله ی تخصیص تعدادی وظایف ناهمسان در سیستم های چندپردازنده یا چندکامپیوتری چگونه است. مدل فرضی سیستم شامل تعدادی پردازنده ی همسان است و در یک زمان، فقط یک وظیفه، روی یک پردازنده اجرا می شود و نیز همه ی زمان بندی ها و وظایف، غیرانحصاری هستند.