دانشگاه صنعتي امير كبير

دانشكده مهندسي كامپيوتر و فناوري اطالعات

پايان نامه كارشناسي ارشد

گرايش هوش ماشين و رباتيك

تخصيص كانال در شبكه هاي سلولي مخابراتي با استفاده از اتوماتاي يادگير سلولي

دكتر محمدرضا ميبدي: استاد پروژه

رضارستگار: دانشجو

١٣٨٣مستان ز: تاريخ

فهرست

i

فهرست مطالب ١................................................................................................................................مقدمه .١

٥............................................................................................هاي سلولي تخصيص كانال در شبكه ١‐١

٦..................................................................................وماتای يادگير و اتوماتای يادگير سلوليات ٢‐١

٧................................................................................................................................اهداف پايان نامه ٣‐١

٨..............................................................................................................................ساختار پايان نامه ٤‐١

٩...........................................................................................................اتوماتاي يادگير .٢

١٠................................................................................................................تاريخچه اتوماتاي يادگير ١‐٢

١١..................................................................................................................................اتوماتاي يادگير ٢‐٢

١١.....................................................................................................................................................اتوماتاي تصادفي ١‐٢‐٢ ١١.......................................................................................................................................................................محيط ٢‐٢‐٢

١٣..................................................................................................هاي رفتار اتوماتاي يادگير معيار ٣‐٢

١٤........................................................................................................................الگوريتمهاي يادگير ٤‐٢

١٤..............................................................................................................................الگوريتمهاي يادگير استاندارد ١‐٤‐٢

١٥............................................................................................................................S‐الگوريتمهاي يادگيري مدل ٢‐٤‐٢

١٦...............................................................................................اتوماتاي يادگير با اقدامهاي متغير ٥‐٢

١٨.........................................................................................اتوماتاي يادگير سلولي .٣

٢٢......................................................................................مطالعه بر روي اتوماتاي يادگير سلولي ١‐٣

٤٥......................................................................................................................................نتيجه گيري ٢‐٣

٤٧...............................الگوريتم تكاملي مبتني بر اتوماتاي يادگير سلولي .٤

٤٨...............................................................................................الگوريتمهاي تكاملي توزيع شده ١‐٤

٤٩........................................................................................................................الگوريتم پيشنهادي ٢‐٤

٥٢...............................................................................................................................بهينه سازي تابع ٣‐٤

٦٦.......................................................................................................................................نتيجه گيري ٤‐٤

خوشه بندي با استفاده از الگوريتم تكاملي مبتني بر اتوماتاي يادگير سلولي .٥ ٦٧

٦٨....................................................................................................................الگوريتم خوشه بندي ١‐٥

٦٨....................................................................................................................................................فاز پيش پردازش ١‐١‐٥ ٦٨........................................................................................................................................................CLA-ECفاز ٢‐١‐٥

فهرست

ii

٦٩......................................................................................................................................................فاز خوشه بندي ٣‐١‐٥

٦٩........................................................................................................................................شبيه سازي ٢‐٥

٨٠.......................................................................................................................................نتيجه گيري ٣‐٥

٨١..................................................هاي سلولي سيار تخصيص كانال در شبكه .٦

٨٢.......................................................................................................................تخصيص كانال ثابت ١‐٦

٨٢.........................................................................................................................تخصيص كانال پويا ٢‐٦

٨٣.................................................................................................................روشهاي متمركز تخصيص كانال پويا ١‐٢‐٦ ٨٤.............................................................................................................شده تخصيص كانال پويا روشهاي توزيع ٢‐٢‐٦ ٨٦..................................................................................................... كانال ثابت و پويامقايسه روشهاي تخصيص ٣‐٢‐٦

٨٨.....................................................الگوريتمهاي پيشنهادي تخصيص كانال .٧

٨٨...................................................................................................................فرضيات شبكه سلولي ١‐٧

٩٠................................................................................................................الگوريتمهاي پيشنهادي ٢‐٧

٩١............................................................................الگوريتم تخصيص كانال با استفاده از تعيين اولويت كانال ١‐٢‐٧ ٩٣......................................................................................................................................يالگوريتمهاي قرض گير ٢‐٢‐٧ ٩٨......................................................................................................الگوريتمهاي تعيين الگوي قطعي تخصيص ٣‐٢‐٧

١٠١......................................................................................................................................نتيجه گيري ٣‐٧

١٠٢...................................................................................ها گيري و پيشنهاد نتيجه .٨

١٠٣..........................................................................................................................مراجع .٩

١١٠......................................................................................................................نامه واژه .١٠

١١٣.............................................وشته شده براساس اين پايان نامهمقاالت ن .١١

فهرست

iii

فهرست اشكال

2............................................................................................................................................................................................................. شماي كلي شبكه سلولي١-١ شكل 2................................................................................................................................................................................ واقعي سلولها در يك شبكه سلولي پوشش٢-١ شكل 3............................................................................................................................................................................ضلعي براي سلولهاي شبكه سلولي مدل شش٣-١ شكل 4..................................................................................................................................................................... فاصله استفاده مجدد از كانال در فواصل مشخص٤-١ شكل 5.................................................................................................................................)تايي در چپ٣تايي درراست و خوشه ٧خوشه ( استفاده مجدد از كانال ٥-١ شكل 5............................................................................................................................................................................................................... درخواست تحويل كانال٦-١ شكل 6.............................................................................................................................)راست(و تخصيص كانال مناسب) چپ( مثالي از تخصيص كانال نا مناسب٧-١ شكل 12........................................................................................................................................................................................................... اتوماتاي يادگير تصادفي١-٢ شكل 19................................................................................................................................همسايگي ون نيومن براي اتوماتاي سلولي) ب (‐همسايگي مور) الف (١-٣ شكل 22...................................................................................................................................................................................................................................٥٤ قانون ٢-٣ شكل قانون ) باال و راست( ‐١قانون ) باال و چپ( ‐ سلول به هر حالتي كه در آن قرار گيرد٥توسط اتوماتاي يادگير سلولي خطي با نمودار پاداش در يافتي ٣-٣ شكل

22..................................................................................................................................................١٠٤قانون ) پايين و راست( ‐٢٣قانون ) پايين و چپ( ‐٢٢) باال و راست( ‐١٠٥قانون ) باال و چپ( ‐ سلول به هر حالتي كه در آن قرار گيرد ٥ يافتي توسط اتوماتاي يادگير سلولي خطي با نمودار پاداش در٤-٣ شكل

23...................................................................................................................................١٢٨قانون ) پايين و راست( ‐١٢٧قانون ) پايين و چپ( ‐١٢٦قانون ) باال و راست( ‐١٢٩قانون ) باال و چپ( ‐ سلول به هر حالتي كه در آن قرار گيرد ٥دار پاداش در يافتي توسط اتوماتاي يادگير سلولي خطي با نمو٥-٣ شكل

23...................................................................................................................................٢٣٢قانون ) پايين و راست( ‐١٥١قانون ) پايين و چپ( ‐١٥٠قانون ) باال و چپ( ‐ در هر سلول ٠,٠١ با دو عمل و با نرخ يادگيري LRI سلول و با فرض قرار گرفتن اتوماتاي يادگير٥ اتوماتاي يادگير سلولي خطي با ٦-٣ شكل

پايين و ( ‐ورد انتظار نمودار مجموع پاداش م) پايين و چپ( ‐نمودار مجموع پاداش دريافتي ) باال و راست( ‐٣نمودار پاداش مورد انتظار براي سلول 24............................................................................................................................................................................١براي قانون ‐ CLAنمودار حالت ) راست

) اال و چپب( ‐ در هر سلول ٠,٠١ با دو عمل و با نرخ يادگيري LRI سلول و با فرض قرار گرفتن اتوماتاي يادگير٥ اتوماتاي يادگير سلولي خطي با ٧-٣ شكل پايين و ( ‐نمودار مجموع پاداش مورد انتظار ) پايين و چپ( ‐نمودار مجموع پاداش دريافتي ) باال و راست( ‐٣نمودار پاداش مورد انتظار براي سلول

24.......................................................................................................................................................................١٠٥براي قانون ‐ CLAنمودار حالت ) راست) باال و چپ( ‐ در هر سلول ٠,٠١ با دو عمل و با نرخ يادگيري LRI سلول و با فرض قرار گرفتن اتوماتاي يادگير٥ اتوماتاي يادگير سلولي خطي با ٨-٣ شكل

پايين و ( ‐تظار نمودار مجموع پاداش مورد ان) پايين و چپ( ‐نمودار مجموع پاداش دريافتي ) باال و راست( ‐٣نمودار پاداش مورد انتظار براي سلول 25.......................................................................................................................................................................١٢٩براي قانون ‐ CLAنمودار حالت ) راست

) و چپباال ( ‐ در هر سلول ٠,٠١ با دو عمل و با نرخ يادگيري LRI سلول و با فرض قرار گرفتن اتوماتاي يادگير٥ اتوماتاي يادگير سلولي خطي با ٩-٣ شكل پايين و ( ‐نمودار مجموع پاداش مورد انتظار ) پايين و چپ( ‐نمودار مجموع پاداش دريافتي ) باال و راست( ‐٣نمودار پاداش مورد انتظار براي سلول

25.......................................................................................................................................................................١٥٠براي قانون ‐ CLAنمودار حالت ) راست) باال و چپ( ‐ در هر سلول ٠,٠١ با دو عمل و با نرخ يادگيري LRI سلول و با فرض قرار گرفتن اتوماتاي يادگير٥اتوماتاي يادگير سلولي خطي با ١٠-٣ شكل

پايين و ( ‐ر نمودار مجموع پاداش مورد انتظا) پايين و چپ( ‐نمودار مجموع پاداش دريافتي ) باال و راست( ‐٣نمودار پاداش مورد انتظار براي سلول 26.......................................................................................................................................................................١٥١براي قانون ‐ CLAنمودار حالت ) راست

) چپباال و ( ‐ در هر سلول ٠,٠١ با دو عمل و با نرخ يادگيري LRP سلول و با فرض قرار گرفتن اتوماتاي يادگير٥ اتوماتاي يادگير سلولي خطي با ١١-٣ شكل پايين و ( ‐نمودار مجموع پاداش مورد انتظار ) پايين و چپ( ‐نمودار مجموع پاداش دريافتي ) باال و راست( ‐٣نمودار پاداش مورد انتظار براي سلول

26.......................................................................................................................................................................١٢٦براي قانون ‐ CLAنمودار حالت ) راست با LRI در هر سلول يك اتوماتاي ‐ در فضاي پيكربندي ١٢امل اتوماتاي يادگير سلولي خطي با سه سلول، شعاع همسايگي يك و قانون شماره تك١٢-٣ شكل

27.................................................................................................................................................................................................... قرار دارد٠,٠١نرخ يادگيري

فهرست

iv

با LRI در هر سلول يك اتوماتاي ‐ در فضاي پيكربندي ٥٥طي با سه سلول، شعاع همسايگي يك و قانون شماره تكامل اتوماتاي يادگير سلولي خ١٣-٣ شكل 28.................................................................................................................................................................................................... قرار دارد٠,٠١نرخ يادگيري

با LRP در هر سلول يك اتوماتاي ‐ در فضاي پيكربندي ٣٦ يك و قانون شماره تكامل اتوماتاي يادگير سلولي خطي با سه سلول، شعاع همسايگي١٤-٣ شكل 28.................................................................................................................................................................................................... قرار دارد٠,٠١نرخ يادگيري

با LRP در هر سلول يك اتوماتاي ‐ي پيكربندي در فضا٣٧ تكامل اتوماتاي يادگير سلولي خطي با سه سلول، شعاع همسايگي يك و قانون شماره ١٥-٣ شكل 29.................................................................................................................................................................................................... قرار دارد٠,٠١نرخ يادگيري

با LRPاتوماتاي در هر سلول يك ‐ در فضاي پيكربندي ٥٠ تكامل اتوماتاي يادگير سلولي خطي با سه سلول، شعاع همسايگي يك و قانون شماره ١٦-٣ شكل 29.................................................................................................................................................................................................... قرار دارد٠,٠١نرخ يادگيري

با LRP در هر سلول يك اتوماتاي ‐ در فضاي پيكربندي ٥١ تكامل اتوماتاي يادگير سلولي خطي با سه سلول، شعاع همسايگي يك و قانون شماره ١٧-٣ شكل 30.................................................................................................................................................................................................... قرار دارد٠,٠١ نرخ يادگيري

با LRP در هر سلول يك اتوماتاي ‐ در فضاي پيكربندي ٤٧ تكامل اتوماتاي يادگير سلولي خطي با سه سلول، شعاع همسايگي يك و قانون شماره ١٨-٣ شكل 31.................................................................................................................................................................................................... قرار دارد٠,٠١نرخ يادگيري

با LRP در هر سلول يك اتوماتاي ‐ در فضاي پيكربندي ٥٨ تكامل اتوماتاي يادگير سلولي خطي با سه سلول، شعاع همسايگي يك و قانون شماره ١٩-٣ شكل 31.................................................................................................................................................................................................... قرار دارد٠,٠١نرخ يادگيري

با LRP در هر سلول يك اتوماتاي ‐ در فضاي پيكربندي ٢٣٠ تكامل اتوماتاي يادگير سلولي خطي با سه سلول، شعاع همسايگي يك و قانون شماره ٢٠-٣ شكل 32.................................................................................................................................................................................................... قرار دارد٠,٠١نرخ يادگيري

با نرخ LRI در هر سلول يك اتوماتاي ‐ در فضاي پيكربندي ٥ تكامل اتوماتاي يادگير سلولي خطي با سه سلول، شعاع همسايگي يك و قانون شماره ٢١-٣ شكل 32........................................................................................................................................................................................................... قرار دارد٠,٠١يادگيري

با LRI در هر سلول يك اتوماتاي ‐ در فضاي پيكربندي ٢٥ادگير سلولي خطي با سه سلول، شعاع همسايگي يك و قانون شماره تكامل اتوماتاي ي٢٢-٣ شكل 33.................................................................................................................................................................................................... قرار دارد٠,٠١نرخ يادگيري

با LRI در هر سلول يك اتوماتاي ‐ در فضاي پيكربندي ٢٥ شعاع همسايگي يك و قانون شماره تكامل اتوماتاي يادگير سلولي خطي با سه سلول،٢٣-٣ شكل 34.................................................................................................................................................................................................... قرار دارد٠,٠١نرخ يادگيري

با LRI در هر سلول يك اتوماتاي ‐ در فضاي پيكربندي ١٣٨اره تكامل اتوماتاي يادگير سلولي خطي با سه سلول، شعاع همسايگي يك و قانون شم٢٤-٣ شكل 34.................................................................................................................................................................................................... قرار دارد٠,٠١نرخ يادگيري

با LRI در هر سلول يك اتوماتاي ‐ در فضاي پيكربندي ١٥٢ تكامل اتوماتاي يادگير سلولي خطي با سه سلول، شعاع همسايگي يك و قانون شماره ٢٥-٣ شكل 35.................................................................................................................................................................................................... قرار دارد٠,٠١نرخ يادگيري

با نرخ LRI در هر سلول يك اتوماتاي ‐ در فضاي پيكربندي ٥ تكامل اتوماتاي يادگير سلولي خطي با سه سلول، شعاع همسايگي يك و قانون شماره ٢٦-٣ شكل 35........................................................................................................................................................................................................... قرار دارد٠,٠١يادگيري

با نرخ LRI در هر سلول يك اتوماتاي ‐ در فضاي پيكربندي ٦ تكامل اتوماتاي يادگير سلولي خطي با سه سلول، شعاع همسايگي يك و قانون شماره ٢٧-٣ شكل 36...........................................................................................................................................................................................................د قرار دار٠,٠١يادگيري

با LRI در هر سلول يك اتوماتاي ‐ در فضاي پيكربندي ٦٧ تكامل اتوماتاي يادگير سلولي خطي با سه سلول، شعاع همسايگي يك و قانون شماره ٢٨-٣ شكل 36.................................................................................................................................................................................................... قرار دارد٠,٠١نرخ يادگيري

با LRP در هر سلول يك اتوماتاي ‐ در فضاي پيكربندي ٤٦ تكامل اتوماتاي يادگير سلولي خطي با سه سلول، شعاع همسايگي يك و قانون شماره ٢٩-٣ شكل 37.................................................................................................................................................................................................... قرار دارد٠,٠١نرخ يادگيري

با LRI در هر سلول يك اتوماتاي ‐ در فضاي پيكربندي ٦٥ تكامل اتوماتاي يادگير سلولي خطي با سه سلول، شعاع همسايگي يك و قانون شماره ٣٠-٣ شكل 37.................................................................................................................................................................................................... قرار دارد٠,٠١نرخ يادگيري

با LRI در هر سلول يك اتوماتاي ‐ در فضاي پيكربندي ٧٤مل اتوماتاي يادگير سلولي خطي با سه سلول، شعاع همسايگي يك و قانون شماره تكا٣١-٣ شكل 38.................................................................................................................................................................................................... قرار دارد٠,٠١نرخ يادگيري

با LRI در هر سلول يك اتوماتاي ‐ در فضاي پيكربندي ١٧٥ي با سه سلول، شعاع همسايگي يك و قانون شماره تكامل اتوماتاي يادگير سلولي خط٣٢-٣ شكل 38.................................................................................................................................................................................................... قرار دارد٠,٠١نرخ يادگيري

با نرخ LRI در هر سلول يك اتوماتاي ‐ در فضاي پيكربندي ٢ يك و قانون شماره تكامل اتوماتاي يادگير سلولي خطي با سه سلول، شعاع همسايگي٣٣-٣ شكل 39........................................................................................................................................................................................................... قرار دارد٠,٠١يادگيري

فهرست

v

با LRI در هر سلول يك اتوماتاي ‐ پيكربندي در فضاي١٧ تكامل اتوماتاي يادگير سلولي خطي با سه سلول، شعاع همسايگي يك و قانون شماره ٣٤-٣ شكل 39.................................................................................................................................................................................................... قرار دارد٠,٠١نرخ يادگيري

با LRPاتوماتاي در هر سلول يك ‐ در فضاي پيكربندي ٢٠٠ تكامل اتوماتاي يادگير سلولي خطي با سه سلول، شعاع همسايگي يك و قانون شماره ٣٥-٣ شكل 40.................................................................................................................................................................................................... قرار دارد٠,٠١نرخ يادگيري

با LRP در هر سلول يك اتوماتاي ‐ در فضاي پيكربندي ٢١٨ تكامل اتوماتاي يادگير سلولي خطي با سه سلول، شعاع همسايگي يك و قانون شماره ٣٦-٣ شكل 40.................................................................................................................................................................................................... قرار دارد٠,٠١ي نرخ يادگير

با LRP در هر سلول يك اتوماتاي ‐ در فضاي پيكربندي ٢١٩ تكامل اتوماتاي يادگير سلولي خطي با سه سلول، شعاع همسايگي يك و قانون شماره ٣٧-٣ شكل 41.................................................................................................................................................................................................... قرار دارد٠,٠١نرخ يادگيري

با LRP در هر سلول يك اتوماتاي ‐ در فضاي پيكربندي ٥ تكامل اتوماتاي يادگير سلولي خطي با سه سلول، شعاع همسايگي يك و قانون شماره ٣٨-٣ شكل 42.................................................................................................................................................................................................... قرار دارد٠,٠١نرخ يادگيري

با LRI در هر سلول يك اتوماتاي ‐ در فضاي پيكربندي ١٠ تكامل اتوماتاي يادگير سلولي خطي با سه سلول، شعاع همسايگي يك و قانون شماره ٣٩-٣ شكل 42.................................................................................................................................................................................................... قرار دارد٠,٠١نرخ يادگيري

با LRI در هر سلول يك اتوماتاي ‐ در فضاي پيكربندي ٦٦ تكامل اتوماتاي يادگير سلولي خطي با سه سلول، شعاع همسايگي يك و قانون شماره ٤٠-٣ شكل 42.................................................................................................................................................................................................... قرار دارد٠,٠١نرخ يادگيري

با LRI در هر سلول يك اتوماتاي ‐ در فضاي پيكربندي ١٨٤يادگير سلولي خطي با سه سلول، شعاع همسايگي يك و قانون شماره تكامل اتوماتاي ٤١-٣ شكل 43.................................................................................................................................................................................................... قرار دارد٠,٠١نرخ يادگيري

50........................................................................................................................................................................... نمايي از يک سلول در الگوريتم پيشنهادی١-٤ شكل 50................................................................................................................................................ نمايي از يک شبكه سلولي استفاده شده الگوريتم پيشنهادی٢-٤ شكل 51.............................................................................................................................................. الگوريتم تكاملي پيشنهادی مبتني بر اتوماتاي يادگير سلولي٣-٤ شكل F1...................................................................................................................................................................................................................................53 تابع ٤-٤ شكل F2...................................................................................................................................................................................................................................53 تابع ٥-٤ شكل F3.....................................................................................................................................................................................................................................54 تابع ٦-٤ شكل F4....................................................................................................................................................................................................................................54 تابع ٧-٤ شكل F5...................................................................................................................................................................................................................................55 تابع ٨-٤ شكل F1...........................................................................................................................................55 هر تكرار الگوريتم براي تابع بهترين مقدار بدست آمده در٩-٤ شكل F2........................................................................................................................................56 بهترين مقدار بدست آمده در هر تكرار الگوريتم براي تابع ١٠-٤ شكل F4..........................................................................................................................................56ت آمده در هر تكرار الگوريتم براي تابع بهترين مقدار بدس١١-٤ شكل F5..........................................................................................................................................57 بهترين مقدار بدست آمده در هر تكرار الگوريتم براي تابع ١٢-٤ شكل F1..................................................................................................................................................................................................................................57 تابع ١٣-٤ شكل F1................................................................................................................................................................................................................................58 تابع ١٤-٤ شكل F2................................................................................................................................................................................................................................58 تابع ١٥-٤ شكل F2..................................................................................................................................................................................................................................59 تابع ١٦-٤ شكل F3..................................................................................................................................................................................................................................59 تابع ١٧-٤ شكل F3................................................................................................................................................................................................................................60 تابع ١٨-٤ شكل F4..................................................................................................................................................................................................................................60 تابع ١٩-٤ شكل F4................................................................................................................................................................................................................................61 تابع ٢٠-٤ شكل F5..................................................................................................................................................................................................................................61 تابع ٢١-٤ شكل F5................................................................................................................................................................................................................................62 تابع ٢٢-٤ شكل F2.............................................................................63به هنگام بهينه سازي تابع ) ١٠, ٢, ١, )CLA-EC(LRP)٠,٠١،٠,٠١ پراكندگي ژنومها در ٢٣-٤ شكل F2............................................................................63به هنگام بهينه سازي تابع ) ١٠, ٢, ١, )CLA-EC(LRP)٠,٠١،٠,٠١ تكامل ارزش ژنومها ٢٤-٤ شكل F1.....................................................................................................64و الگوريتم ژنتيكي ساده براي تابع ) ‐ , ٢ ,١,)CLA-EC(LRP)٠,٠١،٠,٠١ ٢٥-٤ شكل F2.....................................................................................................64و الگوريتم ژنتيكي ساده براي تابع ) ‐, ٢, ١, )CLA-EC(LRP)٠,٠١،٠,٠١ ٢٦-٤ شكل

فهرست

vi

F3...............................................................................................65 و الگوريتم ژنتيكي ساده براي تابع CLA-EC(LRP(0.01,0.01),1 ,3 ,-) ٢٧-٤ شكل F4............................................................................................65 و الگوريتم ژنتيكي ساده براي تابع CLA-EC(LRP(0.01,0.01), 1, 2, -) ٢٨-٤ شكل F5............................................................................................66 و الگوريتم ژنتيكي ساده براي تابع CLA-EC(LRP(0.01,0.01), 1, 2, -) ٢٩-٤ شكل kmeans..................................................................................................................................................................................................................68 الگوريتم ١-٥ شكل Data 2.................................................................................................................................................................................................70) ب (Data 1) الف (٢-٥ شكل Data 4.................................................................................................................................................................................................70) ب (Data 3) الف (٣-٥ شكل Data 6.................................................................................................................................................................................................71) ب (Data 5) الف (٤-٥ شكل Data 8.................................................................................................................................................................................................71) ب (Data 7) الف (٥-٥ شكل انحراف معيار استاندارد جوابهای ) ب(ميانگين ) الف (Data 8بر کيفيت خوشه بندی ) ‐,١،١,)CLA-EC(LRP)٠,٠١،٠,٠١ تاثير تعداد سلولهای ٦-٥ شكل

72............................................................................................................................................................................ مرتبه اجرای الگوريتم٥٠بدست آمده برای انحراف معيار استاندارد جوابهای ) ب(ميانگين ) الف (IRISبر کيفيت خوشه بندی ) ‐,١،١,)CLA-EC(LRP)٠,٠١،٠,٠١ تاثير تعداد سلولهای ٧-٥ شكل

72............................................................................................................................................................................ مرتبه اجرای الگوريتم٥٠بدست آمده برای ) الف(برای داده ) ٥, ١،١,)CLA-EC(LRP)٠,٠١،٠,٠١برای ) خط نقطه چين(و ميانگين ارزش تمام ژنومها ) خط پيوسته(رين ژنوم ارزش بهت٨-٥ شكل

Data 1) ب (Data 4...........................................................................................................................................................................................................73 Data 8........................................................................................................73ه بندی در خوش) ١،١،١٥,)CLA-EC(LRP)٠,٠١،٠,٠١ تکامل ژنومهای ٩-٥ شكل و K-means با استفاده از Data 1نمودار مجموع فواصل بدست آمده براي ) الف) (١،١،٥,)CLA-EC(LRP)٠,١،٠,١ و K-means مقايسه بين ١٠-٥ شكل

CLA-EC(LRP)نمودار مجموع فواصل بدست آمده براي ) ب. (تلف مي باشد مرتبه اجراي مخ٥٠در ) ٥, ١،١,)٠,١،٠,١Data 2 با استفاده از K-means و CLA-EC(LRP)خط پيوسته براي . مرتبه اجراي مختلف مي باشد ٥٠در ) ٥, ١،١,)٠,١،٠,١CLA-EC(LRP)و ) ٥, ١،١,)٠,١،٠,١

77........................................................................................................................................................................... مي باشد K-meansخط نقطه چين براي و K-means با استفاده از Data 3نمودار مجموع فواصل بدست آمده براي ) الف) (١،١،٥,)CLA-EC(LRP)٠,١،٠,١ و K-means مقايسه بين ١١-٥ شكل

CLA-EC(LRP)براي نمودار مجموع فواصل بدست آمده ) ب. ( مرتبه اجراي مختلف مي باشد٥٠در ) ٥, ١،١,)٠,١،٠,١Data 4 با استفاده از K-means و CLA-EC(LRP)خط پيوسته براي . مرتبه اجراي مختلف مي باشد ٥٠در ) ٥, ١،١,)٠,١،٠,١CLA-EC(LRP)و ) ٥, ١،١,)٠,١،٠,١

77........................................................................................................................................................................... مي باشد K-meansخط نقطه چين براي و K-means با استفاده از Data 5نمودار مجموع فواصل بدست آمده براي ) الف) (١،١،٥,)CLA-EC(LRP)٠,١،٠,١ و K-meansيسه بين مقا١٢-٥ شكل

CLA-EC(LRP)نمودار مجموع فواصل بدست آمده براي ) ب. ( مرتبه اجراي مختلف مي باشد٥٠در ) ٥, ١،١,)٠,١،٠,١Data 6 با استفاده از K-means و CLA-EC(LRP)خط پيوسته براي . مرتبه اجراي مختلف مي باشد ٥٠در ) ٥, ١،١,)٠,١،٠,١CLA-EC(LRP)و ) ٥, ١،١,)٠,١،٠,١

78........................................................................................................................................................................... مي باشد K-meansخط نقطه چين براي و K-means با استفاده از Data 7نمودار مجموع فواصل بدست آمده براي ) الف) (١،١،٥,)CLA-EC(LRP)٠,١،٠,١ و K-means مقايسه بين ١٣-٥ شكل

CLA-EC(LRP)نمودار مجموع فواصل بدست آمده براي ) ب. ( مرتبه اجراي مختلف مي باشد٥٠در ) ٥, ١،١,)٠,١،٠,١Data 8 با استفاده از K-means و CLA-EC(LRP)خط پيوسته براي . اشد مرتبه اجراي مختلف مي ب٥٠در ) ٥, ١،١,)٠,١،٠,١CLA-EC(LRP)و ) ٥, ١،١,)٠,١،٠,١

78........................................................................................................................................................................... مي باشد K-meansخط نقطه چين براي Data 8.............79ده براي دا) ١،١،١٥,)CLA-EC(LRP)٠,١،٠,١و ) ١،١،٥,)K-means ،CLA-EC(LRP)٠,١،٠,١ اجراي ٥٠ مقايسه نتايج ١٤-٥ شكل IRIS.................79براي داده ) ١،١،١٥,)CLA-EC(LRP)٠,١،٠,١و ) ١،١،٥,)K-means ،CLA-EC(LRP)٠,١،٠,١ اجراي ٥٠ مقايسه نتايج ١٥-٥ شكل

87.............................................................................................................. مقايسه كارايي روشهاي تخصيص کانال ثابت و پويا در چگاليهاي متفاوت ترافيك١-٦ كل ش 90............................................................................................................................................الگوي دوم) ب(الگوي يك ) الف( توزيع ترافيكي غير يكنواخت ١-٧ شكل 91...................................................................................................................................................................................................... الگوريتم تعيين اولويت يک٢-٧ شكل 91........................................................................................................................................................................................................ الگوريتم تعيين اولويت دو٣-٧ شكل FCA ،BDCL ،Q-learning ،TD(0) ،Algorithm 1 ،Algorithm 2گوريتمهاي تخصيص كانال مقايسه احتمال رد درخواستها در ال٤-٧ شكل

92...................................................................................................................................................................................براي شبكه سلولي با ترافيك يکنواخت FCA ،BDCL ،Q-learning ،TD(0) ،Algorithm 1 ،Algorithm 2 مقايسه احتمال رد درخواستها در الگوريتمهاي تخصيص كانال ٥-٧ شكل

92.............................................................................................................................................................١براي شبكه سلولي با ترافيك غير يکنواخت الگوی FCA ،BDCL ،Q-learning ،TD(0) ،Algorithm 1 ،Algorithm 2 مقايسه احتمال رد درخواستها در الگوريتمهاي تخصيص كانال ٦-٧ شكل

93.............................................................................................................................................................٢براي شبكه سلولي با ترافيك غير يکنواخت الگوی

فهرست

vii

94........................................................................................................................................................................................... الگوريتم قرض گيري سلول محور٧-٧ شكل 96...................................................................................................................................................................................ي خوشه محور يك الگوريتم قرض گير٨-٧ شكل 96..................................................................................................................................................................................... الگوريتم قرض گيري خوشه محور دو٩-٧ شكل FCA ،BDCL ،Q-learning ،TD(0) ،Algorithm 3 ،Algorithm 4 مقايسه احتمال رد درخواستها در الگوريتمهاي تخصيص كانال ١٠-٧ شكل

97.................................................................................................................................................. براي شبكه سلولي با ترافيك يکنواختAlgorithm 5و FCA ،BDCL ،Q-learning ،TD(0) ،Algorithm 3 ،Algorithm 4 مقايسه احتمال رد درخواستها در الگوريتمهاي تخصيص كانال ١١-٧ شكل

97............................................................................................................................١ براي شبكه سلولي با ترافيك غير يکنواخت الگوی Algorithm 5و FCA ،BDCL ،Q-learning ،TD(0) ،Algorithm 3، Algorithm 4مقايسه احتمال رد درخواستها در الگوريتمهاي تخصيص كانال ١٢-٧ شكل

98............................................................................................................................٢ براي شبكه سلولي با ترافيك غير يکنواخت الگوی Algorithm 5و 99......................................................................................................................................................................................... الگوريتم تعيين الگوی قطعي يك١٣-٧ شكل 99.........................................................................................................................................................................................ريتم تعيين الگوی قطعي دوم الگو١٤-٧ شكل براي Algorithm 7 و FCA ،BDCL ،Q-learning ،TD(0) ،Algorithm 6 مقايسه احتمال رد درخواستها در الگوريتمهاي تخصيص كانال ١٥-٧ شكل

100.........................................................................................................................................................................................شبكه سلولي با ترافيك يکنواخت براي Algorithm 7 و FCA ،BDCL ،Q-learning ،TD(0) ،Algorithm 6 مقايسه احتمال رد درخواستها در الگوريتمهاي تخصيص كانال ١٦-٧ شكل

100....................................................................................................................................................................١شبكه سلولي با ترافيك غير يکنواخت الگوی براي Algorithm 7 و FCA ،BDCL ،Q-learning ،TD(0) ،Algorithm 6 مقايسه احتمال رد درخواستها در الگوريتمهاي تخصيص كانال ١٧-٧ شكل

101.....................................................................................................................................................................٢شبكه سلولي با ترافيك غيريکنواخت الگوی

فهرست

viii

فهرست جداول

٤٤................................................................................................... براساس قوانين مختلفLRI دسته بندي اتوماتاي يادگير سلولي با الگوريتم يادگيري ١-٣ جدول ٤٥................................................................................................... براساس قوانين مختلفLRIي يادگير سلولي با الگوريتم يادگيري دسته بندي اتوماتا٢-٣ جدول ٥٠................................................................................... تشابه و تفاوت بين الگوريتم ژنتيكي سلولي، اتوماتاي يادگير سلولي و الگوريتم ژنتيکي کالسيک١-٤ جدول ٧٣....................................... سلول١٥ (IV( سلول ١٠ (III( سلول ٥ (II( سلول ٣ (Data 1 ‐‐) I برای CLA-EC نتايج خوشه بندی با استفاده از ١-٥ جدول ٧٤....................................... سلول١٥ (IV( سلول ١٠ (III( سلول ٥ (II( سلول ٣ (Data 2 ‐‐) Iبرای CLA-EC نتايج خوشه بندی با استفاده از ٢-٥ جدول ٧٥........................................ سلول١٥ (IV( سلول ١٠ (III( سلول ٥ (II( سلول ٣ (Data 3‐‐) I برای CLA-EC نتايج خوشه بندی با استفاده از ٣-٥ جدول ٧٥....................................... سلول١٥ (IV( سلول ١٠ (III( سلول ٥ (II( سلول ٣ (Data 4 ‐‐) I برای CLA-EC نتايج خوشه بندی با استفاده از ٤-٥ جدول ٧٥.......................................... سلول١٥ (IV( سلول ١٠ (III( سلول ٥ (II( سلول ٣ (Data 5‐) I برای CLA-ECبا استفاده از نتايج خوشه بندی ٥-٥ جدول ٧٦........................................سلول ١٥ (IV( سلول ١٠ (III( سلول ٥ (II( سلول ٣ (Data 6‐‐) I برای CLA-EC نتايج خوشه بندی با استفاده از ٦-٥ جدول نشان Std و Meanستونهاي—IRIS و Data 1,2,3,4,5,6,7,8 براي داده هاي K-meansو ) ٥, ١،١,)CLA-EC(LRP)٠,١،٠,١ نتايج ٧-٥ جدول

٧٦............................................................................................................................ت اجراي الگوريتمهاس٥٠دهنده ميانگين و انحراف معيار استاندارد نتايج ٨٧............................................................................................................................................................ مقايسه عملکرد روشهاي تخصيص کانال ثابت و پويا١-٦ جدول

مقدمه

١

مقدمه .١

افزوده هادگان اشتراك آنكنن بر تعداد درخواستروزانهامروزه استفاده از سيستمهاي مخابرات سيار كامال همگاني گرديده و و در نتيجه مشکل اصلي ارتباطات شبكه سلولي در 1باشد پهناي باند تصويب شده اين سيستمها كامال محدود ميبا اين حال. شود مي

اين مسئله در ابعاد زماني و حجمي . عصر جديد حل مسئله تخصيص منابع محدود به درخواستهای روزافزون مشتريان مي باشد :که مي توان به موارد زير اشاره کرد. قابل طرح استمتفاوت برای تجهيزاتريزی طرح ‐ طرح ريزی و اختصاص ظرفيت ‐ اجازه ورود مکالمه در شبکه داده ‐ مديريت شبکه ‐ برپا کردن مکالمه در سوئيچها ‐ تخصيص كانال در شبكه هاي بي سيم ‐ قضاوت درباره تداخل بسته ها در شبكه هاي داده اي ‐

كار تخصيص كانال بايد راه. يكي از مسايل بنيادي مخابرات سيار استهاي فركانسي به سلولهاي شبكه كانال تخصيصنحوه كه اوال كيفيت ارتباط بطوريكه. دهدكنندگان اختصاص به درخواست، روشي نه چندان پيچيدهرا باكانالهاي محدود سيستم بنحوي در واقع روش تخصيص كانال بايد به . بيشتري تحت پوشش قرار گيرندهاي اد مشتريهاي ثابت تفاوتي نكند و ثانيا تعد شبكه بهنسبت

بنابراين سالهاست كه براي تخصيص كانال در شرايط . توازن برقرار نمايد،كيفيت و ظرفيت نوعي بين جوانب ناسازگار مانند سادگي، .گيرد گسترده و جامعي انجام گرفته و ميهاي مختلف با بارهاي ترافيكي متفاوت تحقيقات بسيار مختلف براي شبكه

براي كنترل ٤ در هر سلول يك ايستگاه پايه.شود تقسيم مي٣سلول به چند حوزه بنام ٢ناحيه يك حدر شبكه هاي سلولي سط ، سيارايدستگاهه كهكند هر ايستگاه پايه در محدوده فركانسي مشخصي كار مي .وضعيت آن سلول و ارتباط با ديگر سلولها قرار دارد

ارتباط سلولهاي . كنند از طريق طيف فركانسي ايستگاه پايه آن سلول با ايستگاه پايه ارتباط برقرار مي، كه قرار دارنديدر هر سلول) اي بيسيم باشد كه ممكن است يك شبكه سيمي و يا شبكه(شبكه سلولي از طريق بستر مخابراتي متصل كننده ايستگاههاي پايه

). ۱-۱ شكل(شود برقرار مي در واقع حوزه پوشش راديويي آنتن موجود در ايستگاه پايهكه ( كند كه مرز يك سلول ماهيت انتشار امواج ايجاب مي

خت امواج راديويي در تمام موانع طبيعي و مصنوعي موجود مانع از انتشار يكنوااما در عمل. بشكل دايره در نظر گرفته شود.)باشد مي . خواهند بود۲-۱ شكلشوند و محدوده واقعي سلولها بصورتي مانند جهات مي

را با سلولهاي دايره شكل بپوشانيم، سلولها يا همپوشاني زيادي شبكه اگر بخواهيم سطح هاي سلولي، در مدلسازي شبكهلذا براي . ايجاد خواهد شد٥ يا اينكه بعضي از مناطق در داخل هيچ سلولي قرار نخواهند گرفت و در شبكه حفرهخواهند داشت و

. كنند مي منتظم استفاده هاي از چندضلعي ‐ بدون داشتن همپوشاني و حفره‐پوشاندن يك سطح دوبعدي بوسيله يك شكل هندسي ضلعي منتظم اول اينكه شش. )۳-۱ شكل(شوند ضلعي منتظم در نظر گرفته مي به دو دليل در سيستمهاي سلولي، سلولها بصورت شش

ثانيا يك .) تر خواهد بود و لذا مدل پخش امواج راديويي دقيق( االضالع و مربع شباهت بيشتري به دايره دارد نسبت به مثلث متساوي

پهناي باند براي هر KHz30 بود كه با احتساب MHz 40 پهناي باند در نظر گرفته شده حدود )اولين سيستم پيشرفته مخابرات سيار (AMPSدر پروژه 1

.پذير بود امكان(Full Duplex) كانال صوتي دو طرفه 666 تنها استفاده از FMكانال 2 Area 3 Cell 4 Base Station 5 Hole

مقدمه

٢

بعنوان مثال براي پوشاندن يك .( توان با سلولهاي كمتري پوشش داد ضلعي منتظم، مي ده از ششسطح ثابت و مشخص را با استفاتوان همين سطح را سلول مربعي با شعاع يكسان استفاده بايد كرد و اين در حالي است كه مي۱۵ سلول مثلثي و يا ۲۵ از ۳×۵سطح

.ضلعي پوشش داد سلول شش۱۱با

شماي كلي شبكه سلولي۱-۱ شكل

پوشش واقعي سلولها در يك شبكه سلولي ۲-۱ شكل

مقدمه

٣

هاي شبكه سلوليسلولضلعي براي مدل شش۳-۱ شكل

و به سلولهايي كه در يك ضلع مشترك هستند سلولهاي شعاع سلول به فاصله مركز تا رأس شش ضلعي در چنين ساختاري

.شود مي گفته١ههمساي يا مجاورار شده است، استفاده مجدد يستمها در شبکه های سين سيستمهای سلولی که باعث استفاده گسترده از ايژگی اصلی سيدو و

ک فرکانس در نقاط مختلف شبکه که به ياستفاده مجدد از فرکانس ، به معنی استفاده از . باشدم بندی سلولها می ياز فرکانس و تقسص داده يبا استفاده مجدد از فرکانسهای تخص. گر نمی شوند ، می باشديکدياندازه کافی از هم دور هستند که باعث تداخل در ارتباطات کربندی مجدد هر يم بندی سلولها، بصورت پيتقس. س داديشتری سرويهای بشده به شبکه ، می توان بطور همزمان به تعداد درخواست

های متفاوت درخواست کانال ، پاسخ يک شبکه به چگاليژگی باعث می گردد تا بتوان در ين ويا. سلول به سلولهای کوچکتر می باشدش پهنه فرکانس خود، يی دهد بدون افزاستم اجازه ميزی بلند مدتی محسوب می شود که به سيم بندی سلولها برنامه ريتقس. داد .ش دهديا در کل شبکه افزايت شبکه را در قسمتی از آن يظرف

عمل انتقال به محدوده دهد، تغيير مكان ميي به سلول ديگرياز سلولدر حين حركت سيار دستگاههايهنگاميكه يك اين تاخير بويژه در (. غييري در كيفيت آن نيز رخ ندهدارتباط قطع نشده و ت كهشود فركانسي سلول جديد را بصورتي انجام مي

.شود گفته مي2به اين عمل تحويل كانال.) باشد باشد قابل توجه مي ارتباطات صوتي كه بالدرنگ مياطالعات مانند انتقال (برقراري ارتباط براي ) دو طرفهمعموال ( يك ارتباط فركانسي 3النكا منظور از هاي سلولي در شبكه

بعبارت ديگر فضاي فركانسي كه در اختيار يك شبكه سلولي سيار است با در نظر گرفتن همپوشاني .4 است) داده ياتصوير وصوت، .شوند گردد كه هر كدام يك كانال ناميده مي هايي تقسيم مي فركانسهاي راديويي به بازه

چند موج الكرومغناطيسي همديگر را قطع كنند و يا هنگاميكه دو يا. باشد كانالها مي٥يكي از مشكالت ارتباطات سيار تداخل .شود گردد كه باعث ايجاد مشكل در دريافت صحيح امواج و در نتيجه اختالل در ارتباط مي بر هم منطبق شوند، پديدة تداخل ايحاد مي

نيز 6همسايه روي كانالهاي بر، كه گيرنده بر روي آن تنظيم شده استاصلي ارتباط،) فركانس( تداخل ممكن است عالوه بر كاناليكي از دو شرط كه دهد رخ ميشود و گفته مي ٧ همسايهكانالهاي تداخل، ناشي از استفاده دو كانال متفاوتبه تداخل. دريافت گردد .زير برقرار باشد

1 Neighbor

2 Handoff يا Hand over 3 Channel . صادق استFDMAهاي اين تعريف در شبكه 4 5 Interference

6 Adjacent 7 Adjacent Channel Interference

مقدمه

۴

.دو فركانس در باند فركانسي نزديك به يكديگر باشند .۱ فركانسها از باند فركانسي باريك هستند معموال اين اتفاق آنجاييكهاز .(يكي از فركانسها هارمونيكي از ديگري باشد .٢

.)دهد كم رخ ميصی به شبکه يی در استفاده از فرکانس تخصيی بااليابی به کارايستمهای سلولی ، دستيکی از اهداف سيهمانطور که ذکر شد،

Rای به شعاع ک کانال محدودهياگر . می باشد،د از کانالاستفاده مجد،ستمها ين سيادی ايم بنيکی از مفاهين راستا يدر هم. می باشدن يا. ده می شوندي نام1سلول‐را تحت پوشش قرار دهد، آنگاه می توان همان کانال را در خارج از محدوده فوق مجددا استفاده کنند، هم

جاد مشکل در ي باعث ا2کانالها‐ستفاده از همگر فاصله داشته باشند تا تداخل فرکانسی ناشی از ايکديد به اندازه کافی از يسلولها بانشان ۴-۱ شكلبعنوان مثال در . کانالها گفته می شود‐جاد می شود، تداخل هميتداخلی که بعلت استفاده از هم کانالها ا. ارتباط نشود

به حداقل فاصله . ز استفاده کردي نC و Aان بطور همزمان در سلولهاي را می توBداده شده است که کانال تخصیص داده به سلول .]42] گفته می شود ٣ک کانال، حداقل فاصله استفاده مجددياز برای استفاده مجدد از يمورد ن

A B C

در فواصل مشخصاستفاده مجدد از كانال فاصله ۴-۱ شكل

قابل ناچيز و شود، فركانس كه در هر كدام از دو سلول توسط ديگري ايجاد مي با رعايت فاصله مذكور تداخل كانالهاي هم

درون يك گروه هر كانال فقط يكبار در . استفاده كرد4توان تعدادي از كانالها را بصورت يك خوشه بهمين منظور مي.تحمل است )۵-۱ شكل.(شود استفاده مي

هاي سلولي سيار مساله ايست كه در هنگام حركت يك ايستگاه سيار از يك سلول به سلول ديگر از ديگر موانع توسعه شبكهشود، بنابراين تماس در حال انجام در هنگام خروج انسهاي يكساني استفاده نميدر اكثر حاالت در سلولهاي همسايه از فرك. دهد رخ مي

شود گفته مي5تحويل كانالبه اين فرايند، . از سلول فعلي و ورود به سلول همسايه يا بايد قطع شود و يا كانال فركانسي آن تغيير كند

1 Co-Cell 2 Co-channel 3 Minimum Reuse Distance

4 Cluster 5 Hand off

مقدمه

۵

شود و مجددا بعنوان يك كند و وارد سلول همسايه مي ايستگاه سيار از مرز سلول عبور ميتحويل كانال،ند طي فراي). ۶-۱ شكل( .كند درخواست تحويل كانال در سلول مقصد، درخواست كانال مي

)تايي در چپ۳ه تايي درراست و خوش۷خوشه ( استفاده مجدد از كانال ۵-۱ شكل

درخواست تحويل كانال درخواست جديد

درخواست تحويل كانال۶-۱ شكل

هاي سلولي تخصيص كانال در شبكه ۱‐ ۱

تخصيص کانالهای مخابراتي به مکالمات در خواست شده در شبکه تخصيص منابع بر روي شبكه موبايل، از ميان مسائل اي كاري هبه درخواستهاي ايستگاه هر سلول توسط يك ايستگاه پايه . يکي از پيچيده ترين و بحث برانگيزترين آنهاست،وليسل

گيرد، درخواست تخصيص ي كه از يك ايستگاه پايه صورت ميهايمهمترين درخواست يكي از .دهد متحرك درون محدوده خود پاسخ مي و همچنين باند فركانسي مختص شبكه سلولي محدود كانالهااز آنجاييكه تعداد . تباط استبراي برقراري ار) فركانس( يك كانال

. كانالهاي موجود بنحوي ميان سلولهاي شبكه به اشتراك گذاشته شوندبايددهي به حداكثر تعداد درخواستها باشد، براي سرويس مي ،گردد ميهااه حل مناسب براي تخصيص كانالهاي موجود به درخواستبدنبال راز طريق استفاده مجدد از كانالها 1مساله تخصيص كانال

.بطوريكه ميزان درخواستهاي پاسخ داده شده در شبكه بيشينه شود

1 Channel Assignment Problem (CAP)

مقدمه

۶

سلول كانالي كه در آن لحظه در (اي قابل استفادهكانال يك شود، اگر يك درخواست ارتباط ايجاد مييهنگاميكه در سلول به درخواست وجود داشته باشد، آن كانال.)يگري نباشد و بتوان بدون ايجاد تداخل از آن استفاده كردارتباط دمورد نظر در استفاده

احتمال رد درخواستهاي جديد، .شود ميمذكور رددر غير اينصورت درخواست .گردد اختصاص داده شده و ارتباط برقرار ميجديد .رود ارزيابي روشهاي تخصيص كانال بشمار ميهاي شود و يكي از معيار گفته مي1احتمال رد درخواست

در (آيد اين حالت در هنگام تغيير موقعيت ايستگاه كاري متحرك از ناحيه يك سلول به ناحيه يك سلول ديگر نيز بوجود مين بسيار در مدت زما، وجود داشته باشدآزاددرصورتيكه در سلول جديد كانال ارتباطي . )زمان ايجاد يك درخواست تحويل كانال

تغيير فركانس مخابراتي ارتباط از فركانس در حال ارتباط با ايستگاه پايه سلول قبلي به فركانسي كه (كوتاهي عمل تعويض كانال در غير اينصورت درخواست فعال با ورود .گيرد با توجه به حداقل تأثير بر روي ارتباط انجام مي) كند ايستگاه پايه سلول جديد اعالم مي

هاي شود و يكي از معيار گفته مي2احتمال قطع درخواستهاي تحويل كانال، احتمال قطع درخواست. شود قطع ميل جديد به سلو .رود ارزيابي روشهاي تخصيص كانال بشمار مي

زمان حل اين مساله با بزرگ شدن آن بصورت نمايي رشد . است عرفي شده مNPمساله تخصيص كانال بعنوان يك مساله سلول n كانال فركانسي متفاوت كه داراي fچرا كه براي يك سيستم سلولي با . اه حل مؤثري براي آن وجود نداردكرده و ر

توانند جواب مناسبي البته تمام حاالت فوق نمي. تركيب مختلف براي تخصيص فركانسها به سلولها وجود خواهد داشتfnباشد، مي .براي اين مساله باشند

سلول و دو كانال فركانسي در نظر گرفته شده ۳در اين نمونه، يك شبكه سلولي با . براي نمونه مثال زير را در نظر بگيريدتواند مورد استفاده اند و كانالي كه در يك سلول در حال استفاده است در سلول همسايه آن نمي سلولها بصورت خطي قرار گرفته. است

به اين ۱گردد و كانال شماره در سلول اول يك درخواست مكالمه ايجاد مي.). باشد مجدد كانال يك سلول ميفاصله استفاده(قرار گيردشود و الگوريتم تخصيص كانال، كانال درخواست مكالمة ديگري ايجاد مي۳سپس در سلول شماره . شود مي درخواست تخصيص داده

گر درخواست ارتباط جديدي در سلول مياني ايجاد شود بعلت اينكه هر دو كانال حال ا. دهد را به اين درخواست اختصاص مي۲شماره شكل.(شود در حال استفاده هستند، درخواست جديد متوقف مي) كمتر از فاصله مجاز استفاده مجدد(شبكه در دو سلول همسايه آن

شد درخواست ايجاد شده مي مجددا به آن تخصيص داده۱به درخواست مكالمه دوم كانال شماره درصورتيكه اگر در پاسخ ) چپ۱-۷ )راست۷-۱ شكل. (شد را به آن اختصاص داده مي۲در سلول مياني نيز امكان برقراري تماس را داشت و كانال شماره

)راست(و تخصيص كانال مناسب) چپ( مثالي از تخصيص كانال نا مناسب۷-۱ شكل

اتوماتای يادگير و اتوماتای يادگير سلولي ٢‐ ١

توسط محيطي انتخاب شده هر عمل .تواند انجام دهد انتزاعي است كه تعداد محدودي عمل را ميمدل يك اتوماتای يادگير از اين پاسخ استفاده نموده و عمل بعدي را انتخاب ای يادگيراتومات. شود داده ميای يادگيرگردد و پاسخي به اتومات ياحتمالي ارزيابي م

. گيرد كه چگونه بهترين عمل را انتخاب نمايد ياد ميتای يادگير اتومافرايند،در طي اين . كند مي، مدلي برای سيستمهايي است که از اجزای ساده ای تشکيل ]16] ]83] اتوماتای يادگير سلولي که اخيرا پيشنهاد شده است

اجزاء ساده تشکيل دهنده اين . شده اند و رفتار هر جزء بر اساس رفتار همسايگانش و نيز تجربيات گذشته اش تعيين و اصالح مي شود، از طريق کنش و واکنش با يکديگر رفتار پيچيده ای از خود نشان مي دهند، بنابراين از آن مي توان در مدل سازی بسياری از مدل

1 Blocking probability 2 Dropping probability

مقدمه

٧

هر اتوماتای يادگير سلولي، از يک اتوماتای . ]116] ]112] ]110] ]83] ]82] ]81] ]80] ]79] ]78] ]18] ]17] ]14] مسائل بهره برد. ی يادگير مجهز مي باشد که وضعيت اين سلول را مشخص مي سازدسلولي تشکيل شده است که هر سلول آن به يک يا چند اتوماتا

مانند اتوماتای سلولي، قانون محلي در محيط حاکم است و اين قانون تعيين مي کند که آيا عمل انتخاب شده توسط يک اتوماتا در ن ساختار اتوماتای يادگير سلولي بمنظور دادن پاداش ويا جريمه منجر بروز درآورد. سلول بايد پاداش داده شود ويا اينکه جريمه شود

. نيل به يک هدف مشخص مي گردددر هر لحظه هر اتوماتای يادگير . عملکرد اتوماتای يادگير سلولي را مي توان به شرح زير بيان کرد: نحوه عملکرد اتوماتای يادگير سلولي

اين عمل مي تواند بر اساس مشاهدات قبلي و يا به صورت . ددر اتوماتای يادگير سلولي يک عمل از مجموعه اعمال خود انتخاب ميکنعمل انتخاب شده با توجه به اعمال انتخاب شده توسط سلولهای همسايه و قانون حاکم بر اتوماتای يادگير سلولي . تصادفي انتخاب شود

شده است، اتوماتا رفتار خود را تصحيح مي با توجه به اينکه عمل انتخاب شده پاداش گرفته ويا جريمه . پاداش داده يا جريمه مي شودفرايند انتخاب عمل و گرفتن پاداش را مي توان تا برقراری تعادل نسبي در سيستم ويا . کند و ساختار دروني آن به هنگام در مي آيد

.رسيدن به يک شرط تعريف شده در سيستم ادامه داد

اهداف پايان نامه ٣‐ ١

، در الگوريتمهای تخصيص کانال در شبکه سلولي مخابراتي دو هدف عمده کاهش همانطور که در قسمت قبل مشاهده شداين دو هدف در دادو ستد با يکديگر بوده و معموال با بهبود يکي از آنها از . انسداد مکالمات و کاهش هزينه شبکه دنبال مي شود

هدف اول مورد توجه واقع شده اند و مسئله هزينه تنها در در اکثر الگوريتمهايي که تا کنون ارائه شده اند تنها. ديگری دور مي شويماز طرفي يکي از روشهايي که بوسيله آن هزينه شبکه کاهش مي . هنگام طرحريزی شبکه و نسب تجهيزات فيزيکي بررسي شده است

در طراحي سيستمهای بنابراين اکثر محققان در حال حاضر سعي دارند تا . يابد، کاهش پيغامهای کنترلي بروی شبکه مي باشدبه عبارت ديگر در طراحي الگوريتمهای جديد، توزيع پذيری . تخصيص منابع بروی شبکه موبايل هر دو موضوع را مورد توجه قرار دهند

، استقالل الگوريتمهای اجرا شده بروی ايستگاهها، استفاده از اطالعات محلي و کاهش پيغامهای کنترلي در بهمراه کاهش رد و قطع به نظر مي رسد با توجه به مسئله استقالل الگوريتمهای اجرا شده بروی شبکه، کاهش حجم پيغامها و . المات شبکه مورد توجه استمک

کاهش نرخ رد و قطع مکالمات، مدلسازی با استفاده از تجربه های گذشته سودمند باشد و از طرفي با توجه به اينکه يکي از ابزارهای ده از تکنيکهای يادگيری ماشين است اخيرا زمينه تحقيقاتي در استفاده از تکنيکهای ياگيری ماشين در حل مدلسازی خودکار استفا

.مسائل تخصيص کانال گشوده شده استبا توجه به ماهيت تصادفي ترافيک در شبکه سلولي مخابراتي و به منظور دستيابي به ويژگي توزيعي، محلي بودن ارتباطات و

با توجه به ويژگي ارتباطات . قطع مکالمات استفاده از مدلهای يادگيری تقويتي توزيع شده مي تواند راه گشا باشدکاهش احتمال رد ومحلي و شکل توپولوژيکي شبکه سلولي مخابراتي که به فرم اتوماتای سلولي مي باشد و با توجه به اينکه مدل کردن پارامترهاي

ولهای شبکه مخابراتي به صورت تطبيقي از نيازهای ارائه الگوريتمهای تخصيص کانال کارا ترافيکي شبکه و کارايي سرويس دهي در سل . مي باشد، اتوماتای يادگيرنده سلولي مدلي مناسب برای ارائه الگوريتمهای جديد تخصيص کانال مي باشد

و بررسي ارهای اتوماتای يادگير سلولي ، در مرحله اول مطالعه و بررسي بيشتر رفتاين پايان نامه كارشناسي ارشدهدف از انجام و در مرحله بعد استفاده از قوانين متفاوت و قرار دادن اتوماتاهای يادگير درون سلولها در نقشهای آن به عنوان يك ماشين بهينه كننده

انال، تصميم گيری اين نقشها مي توانند انتخاب سلول مناسب برای قرض گيری ک. متفاوت برای حل مسئله تخصيص کانال مي باشدبه اين منظور هر سلول شبکه سلولي . برای قرض دادن کانال، انتخاب کانال مناسب برای تخصيص به مکالمه و موارد ديگر باشد

مخابراتي به يک سلول در اتوماتای يادگيرنده سلولي نگاشت مي شود و با توجه به محدوديتهای مسئله تخصيص کانال مانند محدوديت يا محدوديت هم سلولي و پارامتر شعاع استفاده مجدد در شبکه سلولي مخابراتي، همسايگي و قانونهای مورد نياز تعريف همکانالي ودر صورت استفاده از استراتژيهای توازن بار برای تخصيص کانال مي توان از اتوماتاهای يادگير موجود در هر سلول بمنظور . مي شود

ری کانال يا تصميم گيری در مورد پذيرش درخواست قرض گيری استفاده کنيم و يا در صورت انتخاب سلول مناسب برای قرض گي

مقدمه

٨

در پايان، کار با مقايسه . استفاده از استراتژي تخصيص پوياي کانال از اتوماتاهای يادگير به منظور انتخاب کانال مناسب استفاده کنيم FCA ،BDCLاز جمله اين الگوريتمها مي توان به الگوريتمهای . دامه مي يابدکيفي الگوريتمهای ارائه شده با چند الگوريتم معروف، ا

. اشاره کردTD(0) و QLearningاي يادگيری تقويتي هو چند الگوريتم ارائه شده با استفاده از مدل

ساختار پايان نامه ٤‐ ١

يادگير و الگوريتمهاي آن توضيح داده اتوماتايدر بخش اول در ابتدا . به دو بخش كلي قابل تقسيم استنامه اين پاياندر اين بخش مطالعه اي برروي يك اتوماتاي يادگير . و در ادامه اتوماتاي يادگير سلولي با ارائه جزئيات بيشتر ارائه شده استاند شده

امه اين بخش يك مدل در اد. سلولي ساده انجام شده و بر اساس رفتار مشاهده شده يك دسته بندي برروي قوانين آن انجام مي شودبهينه سازي مبتني بر اتوماتاي يادگير سلولي ارائه شده و كاربرد آن در بهينه سازي توابع حقيقي و خوشه بندي داده مورد مطالعه قرار

تهاي در ان. در بخش دوم تمركز اصلي برروي شبكه سلولي مخابراتي و انواع الگوريتمهاي تخصيص كانال در آنها مي باشد. گرفته استاين بخش نيز بر اساس اتوماتاي يادگير سلولي چندين الگوريتم تخصيص كانال ارائه شده و الگوريتمهاي مشهور ديگري مورد مقايسه

.نامه بصورت زير است ساختار اين پايان.قرار گرفته است . نمايد ر را بررسي مي اتوماتاي يادگير را توضيح داده و الگوريتمهاي ارائه شده براي اتوماتاي يادگيدومفصل در اين فصل يك مطالعه دقيقتر بر روي . سوم اتوماتاي يادگير سلولي را تعريف كرده و به بررسي دقيقتر آن مي پردازدفصل

.اتوماتاي يادگير سلولي به عنوان يك سيستم پيچيده انجام مي گيرد و مفاهيم الگوريتمهاي تكاملي معرفي شده و كارايي در فصل چهارم يك ماشين بهينه ساز بر اساس اتوماتاي يادگير سلولي

.آن در بهينه سازي توابع حقيقي مورد بررسي قرار مي گيردپايان بخش . (فصل پنجم كاربرد ماشين بهينه سازي ارائه شده را در حل مساله خوشه بندي داده مورد بررسي قرار مي دهد

)اوليص كانال در شبكه هاي سلولي مخابراتي و به خصوص الگوريتمهاي فصل ششم به شرح الگوريتمهاي موجود براي تخص

.تخصيص كانال پويا مي پردازدالگوريتمهاي پيشنهادي با در نظر . اند هاي سلولي ارائه شده ، الگوريتمهايي براي تخصيص پوياي كانال در شبكههفتمدر فصل

الگوريتم براي هفتدر اين فصل . رد درخواستهاي شبكه دارندكانالها، سعي در كمينه كردن احتمال گرفتن محدوديت تداخل هم و FCA ،BDCLسازيهاي اين الگوريتمها با الگوريتمهای هاي سلولي معرفي شده و نتايج حاصل از شبيه تخصيص كانال در شبكه

)پايان بخش دوم (.ت مقايسه شده اسTD(0) و QLearningچند الگوريتم ارائه شده با استفاده از مدلهاي يادگيری تقويتي .در فصل هشتم يك نتيجه گيري كلي ارائه مي شود

ه نامه پايان نامه را شامل شده و در نهايت در فصل يازدهم مقاالتي كه هر كدام با بر اساس ژفصل نهم و دهم مراجع و وا .كارهايي انجام شده در اين پايان نامه نوشته شده ، آورده شده اند

اتوماتاي يادگير

9

اتوماتاي يادگير .٢

اين تحقيقات به دو دسته كلي تقسيم . آيد رآيند يادگيري موجودات زنده يكي از موضوعات تحقيقاتي جديد بشمار ميفپردازند و دسته دوم بدنبال ارائه يك متدولوژي براي دسته نخست به شناخت اصول يادگيري موجودات زنده و مراحل آن مي. شوند مي

هاي گذشته يادگيري بصورت تغييرات ايجادشده در كارايي يك سيستم بر اساس تجربه. شندبا قرار دادن اين اصول در يك ماشين ميتوان به بيان رياضي مي. يك ويژگي مهم سيستمهاي يادگير، توانايي بهبود كارايي خود با گذشت زمان است. ]94] شود تعريف مي

بنابراين يك رويكرد به . ]93] اي است كه كامال شناخته شده نيست سازي وظيفه هدف يك سيستم يادگير بهينهاينطور عنوان كرد كه آن شود و هدف اي از پارامترها تعريف مي سازي است كه بر روي مجموعه اين مساله، كاهش اهداف سيستم يادگير به يك مساله بهينه

. باشد پيدا كردن مجموعه پارامترهاي بهينه ميدر دست ) به آنها نياز دارد 1كه يادگيري با نظارت( در بسياري از مسائل مطرح شده، اطالعي از پاسخهاي صحيح مساله

ي نه زير مجموعه يادگيري تقويت. مورد توجه قرار گرفته استيادگيري تقويتيبهمين علت استفاده از يك روش يادگيري بنام . نيستبراي حل مسائل متفاوت و مشكلتر بشمار 2متعامدبلكه رويكردي . شود آنها محسوب ميبجاي هاي عصبي است و نه انتخابي شبكهنويسي پويا و يادگيري نظارتي براي دستيابي به يك سيستم قدرتمند يادگيري ماشين يادگيري تقويتي، از تركيب برنامه. رود مي

گيرد كه آنگاه عامل مذكور ياد مي. شود تا به آن دست يابد در يادگيري تقويتي هدفي براي عامل يادگير مشخص مي. دكن استفاده مي . ]69] چگونه با آزمايشهاي صحيح و خطا با محيط خود، به هدف تعيين شده برسد

مكرر با محيط، به يك سياست كنترل بهينه 3ه در طي يادگيري با فعل و انفعاالتري تقويتي يك عامل يادگيرنديادگيدر ابي ارزي،شود ته ميفرگعددي كه از محيط ) جريمه(بودن پاداش ) نهيكم( كارايي اين فعل و انفعاالت با محيط بوسيله بيشينه. رسد مياز يادگيري روش ساده، سيستماتيك و واقعي براي رسيدن به يك ي يادگيري تقويتي، اوال استفاده اه عالوه بر اين در روش. دگرد مي

ثانيا، دانشي كه در .) يار مشكل استسب پيدا كردن اين جواب بهينه با استفاده از روشهاي سنتي.(دنك مي ناجواب تقريبا بهينه را بيد كه از طريق آن وش مراجعه ذخيره ميد، در يك مكانيزم نمايش دانش مانند شبكه عصبي يا جدوليآ ي بدست ميگيرطي فرايند ياد

ثالثا، از آنجاييكه اين روش يادگيري در محيطي . ان با محاسبات اندك و با كارايي بااليي عمل تخصيص كانال را انجام دادوت ميت با تمام رخدادهاي كه در اين حال. انجام داد) مانند شبكه سلولي( با فعاليت محيط زمانهم ان آنراوت بالدرنگ در حال انجام است، مي

لذا با در نظر . ان از آنها براي بهبود كيفيت يادگيري استفاده كردوت د كه ميوش ني نشده بصورت يك تجربه جديد برخورد مييب پيشخواهد بود، ئما در حال تغيير در يك محيط دا) گبزردر مقياس بسيار ( پويايساز مساله بهينهت يك بصورنكه تخصيص كانال يا داشتن

كي از يكه يتي،وقت هاي سلولي، بر مبناي يادگيري نامه براي مساله تخصيص كانال در شبكه رويكرد در نظر گرفته شده در اين پايان . ]124] باشد راههاي مؤثر براي پيدا كردن جواب اين مساله است، مي

بجز سيگنال (به ساير روشهاي يادگيري عدم نياز به هيچگونه اطالعاتي از محيط مزيت اصلي يادگيري تقويتي نسبت نامه از آن بعنوان مكانيزم يكي از روشهاي يادگيري تقويتي، اتوماتاي يادگير تصادفي است كه در اين پايان. ]94] است ) تقويتي

يعني با در نظر گرفتن احتمال يكسان براي (اتوماتاي تصادفي بدون هيچگونه اطالعاتي درباره اقدام بهينه . تيادگيري استفاده شده اسشود، در محيط ِاعمال يك اقدام اتوماتا بصورت تصادفي انتخاب مي. سعي در يافتن پاسخ مساله دارد) تمامي اقدامهاي خود در آغاز كار

. گردد شوند و روال فوق تكرار مي و احتمال اقدامها بر طبق الگوريتم يادگيري ِبروز ميسپس پاسخ محيط دريافت شده . گردد ميدر ادامه اين . شود تصادفي گفته مياتوماتاي يادگيراتوماتاي تصادفي كه بصورت فوق در جهت افزايش كارايي خود عمل كند، يك

.پردازيم فصل به معرفي اتوماتاي يادگير تصادفي مي

1 Supervised learning 2 Orthogonal 3 Interaction

اتوماتاي يادگير

10

ماتاي يادگيرتاريخچه اتو ١‐ ٢

اي براي تشخيص پارامترهاي بهينه و روشي براي ساده كردن مسائل فوق به مسالهY.Z. Tsypkin ميالدي ١٩٦٠در دهه وي اتوماتاي يادگير را آغاز و همكارانش در همان زمان كار بر رTsetlin. ]135] بكاربردن روشهاي تپه نوردي براي حل آن معرفي كرد

به مدلسازي رفتارهاي سيستمهاي بيولوژيكي Tsetlin. ]133] مفهوم اتوماتاي يادگير نخستين بار توسط وي مطرح شد . كردنددر تحقيقات . مدلي براي يادگيري معرفي نمودكرد را بعنوان عالقمند بود و يك اتوماتاي قطعي كه در محيطي تصادفي فعاليت مي

و Narendraرويكرد ديگري كه توسط . انجام شده بعدي، استفاده از يادگيري در سيستمهاي مهندسي نيز در نظر گرفته شدViswanatanاتوماتاي اي از اقدامهاي مجاز يك ام بهينه از ميان مجموعه، در نظر گرفتن مساله بصورت پيدا كردن اقد]95] ارائه شد

شود اما در روش دوم فضاي احتمال تفاوت دو روش اخير در اينست كه در روش اول در هر تكرار فضاي پارامترها ِبروز مي. بودتصادفي. انجام شدندTsetlin مسير معرفي شده توسط پس از آن اكثر كارهاي انجام شده در تئوري اتوماتاي يادگير، در ادامه. گردد ِبروز مي

Varshavski و Vorontsova كرد و درنتيجه اقدامهاي خود را ِبروز مياحتماالت اتوماتاي يادگير با ساختار متغير را مطرح كردند كه . ]136] شد باعث كاهش تعداد حاالت نسبت به اتوماتاي قطعي مي

از جمله اين كارها . و همكارانش انجام شدFuنخستين تالشها براي استفاده از اتوماتاي يادگير در كاربردهاي كنترلي توسط . ]30] ]29] ]33] ]32] اشاره كرد 3 و تئوري بازي2، تشخيص الگو1توان به كاربردهايي از اتوماتاي يادگير در تخمين پارامترها مي

McLarenو پس از آن . ]75] روشهاي ِبروز رساني خطي و ويژگيهاي آنها را بررسي نمودChandrasekar و Shen روشهاي اي به مقدمهLearning Automata تحت عنوان Thathachar و Narendraكتاب . ]20] ِبروزرساني غير خطي را بررسي كردند

مثالها و كاربردهاي متعدد ديگري از . ]94] گيرد را در بر مي١٩٨٠ اواخر دهه تئوري اتوماتا است كه كليه تحقيقات انجام شده تا ارائه شده Learning Automata: Theory and Application در كتابي با عنوان Pznyak و Najimاتوماتاي يادگير نيز توسط

]91] استهاي تلفن، تشخيص الگو و نتايج اين تحقيقات به استفاده از اتوماتا بعنوان مدلي از يادگيري با كاربردهايي در مسيريابي شبكه

توان به عالوه بر اين از كاربردهاي اخير اتوماتاي يادگير در مسائل واقعي مي. ]100] ]93] ]61] ]31] پذير منجر شد كنترل تطبيقديگر كاربردهاي اتوماتاي يادگير در . اشاره كرد]134] 6ريزي مسير ، برنامه]102] 5اف، جداسازي گر]103] 4تشخيص الگو

.اند ارائه شده]7] ]53] ]71] ]120] ]36] ]92] اتوماتاي يادگير با . بصورت يك شئ مجرد كه داراي تعداد متناهي اقدام است، در نظر گرفتتوان يك اتوماتاي يادگير را مي

شود اقدام مذكور توسط يك محيط تصادفي ارزيابي مي. كند انتخاب يك اقدام از مجموعه اقدامهاي خود و ِاعمال آن بر محيط، عمل ميگيرد كه اقدام بهينه را انتخاب در طي اين فرآيند اتوماتا ياد مي. كند ده ميو اتوماتا از پاسخ محيط براي انتخاب اقدام بعدي خود استفا

الگوريتم شود، توسط نحوه استفاده از پاسخ محيط به اقدام انتخابي اتوماتا كه در جهت انتخاب اقدام بعدي اتوماتا استفاده مي. نمايد .شود معرفي مي7اتوماتاي با ساختار متغيردر بخش بعد جزئيات قسمتهاي يك . گردد اتوماتا مشخص مييادگيري

1 Parameter estimation 2 Pattern recognition 3 Game theory 4 Pattern recognition 5 Graph partitioning 6 Path planning 7 Variable Structure Learning Automata

اتوماتاي يادگير

11

اتوماتاي يادگير ٢‐ ٢

.يك اتوماتاي يادگير از دو قسمت اصلي تشكيل شده استi. يك اتوماتاي تصادفي با تعداد محدودي اقدام و يك محيط تصادفي كه اتوماتا با آن در ارتباط است.

ii. گيرد ياد ميه را كه اتوماتا با استفاده از آن اقدام بهينيادگيري الگوريتم.

اتوماتاي تصادفي ١‐ ٢‐ ٢

}تايي يك اتوماتاي تصادفي بصورت پنج }φβα ,,,, GFSA تعداد اقدامهاي اتوماتا، rشود كه تعريف مي≡{ }rαααα ,...,, } تعداد اقدامهاي اتوماتا، ≡21 }rαααα ,...,, }ي اتوماتا، مجموعه اقدامها≡21 }rββββ ,...,, مجموعه ≡21

φβφوروديهاي اتوماتا، →×≡F ،تابع توليد وضعيت جديد αφ →≡G تابع خروجي كه وضعيت فعلي را به خروجي بعدي نگاشت }كند و مي }kn φφφφ ,...,,)( .باشند ، ميnا در لحظه مجموعه وضعيتهاي داخلي اتومات≡21

اقدام اين مجموعه را براي ِاعمال بر rاتوماتا است كه اتوماتا در هر گام يك اقدام از ) اقدامهاي( شامل خروجيهاي αمجموعه وضعيت فعلي ورودي را به خروجي G و Fتوابع . كند وروديهاي اتوماتا را مشخص مي) β(ها مجموعه ورودي. نمايد محيط انتخاب مي

در حالتيكه . شود ناميده مي1اتوماتاي قطعي قطعي باشند، اتوماتا يك G و Fاگر نگاشتهاي . كنند اتوماتا نگاشت مي) اقدام بعدي(بعدي . شود ناميده مياتوماتاي تصادفي تصادفي باشند، اتوماتا يك G و Fنگاشتهاي

در اتوماتاي تصادفي با .گردند مي بندي تقسيم3با ساختار متغيري اتوماتا و 2با ساختار ثابتي اتوماتاه دو گروه ب اتوماتاي يادگيردرحاليكه در اتوماتاي تصادفي با ساختار متغير احتماالت اقدامهاي اتوماتا در هر . ساختار ثابت احتمال اقدامهاي اتوماتا ثابت هستند

همچنين . شود وماتاي يادگير با ساختار متغير، تغيير احتمالهاي اقدامها بر اساس الگوريتم يادگيري انجام ميدر ات. شوند تكرار ِبروز ميدر واقع اتوماتا . شوند توسط احتماالت اقدامهاي اتوماتا بازنمايي ميφدر اتوماتاي يادگير با ساختار متغير، وضعيت داخلي اتوماتا

وضعيت داخلي . باشد شود كه خروجي آن معادل با وضعيت داخلي آن مي در نظر گرفته ميstate-output automataبصورت يك . شود كه در زير آمده است، نشان داده ميP(n) را با بردار احتمال اقدامهاي اتوماتا n در لحظه nφ)(اتوماتا

{ })(),...,(),()( 21 npnpnpnP r≡ بطوريكه

) ۲-۱( ])([ Prob)(,, 1)(1

ii

r

ii nnpnnp αα ==∀=∑

=

در آغاز فعاليت اتوماتا، احتمال اقدامهاي آن با هم برابر و مساوي r .)باشد تعداد اقدامهاي اتوماتا ميrكه . (باشند مي1

محيط ٢‐٢‐٢

}تايي محيط را مي توان توسط سه }cE ,,βα≡ نشان داد كه در آن { }rαααα ,...,, مجموعه وروديهاي محيط، ≡21{ }rββββ ,...,, } مجموعه خروجيهاي محيط و≡21 }rcccc ,...,, .باشند مجموعه احتمالهاي جريمه مي≡21

1 Deterministic Automata 2 Fixed Structure Automata 3 Variable Structure Automata

اتوماتاي يادگير

12

اگر . مشخص مي شودiβ توسط iمحيط به هر اقدام ) پاسخ(خروجي. ماتا است اقدام انتخاب شده اتوrورودي محيط يكي از

iβيك پاسخ دودويي باشد، محيط مدل P 11در چنين محيطي . شود ناميده مي)( =niβو 3 يا شكست2 بعنوان پاسخ نامطلوب 0)( =niβدر محيط مدل. شوند يا موفقيت در نظر گرفته مي4نوان پاسخ مطلوب بعQ 5، )(niβ شامل تعداد محدودي از مقادير قرار

](باشد مي] ۰، ۱[ يك متغير تصادفي در بازه niβ)( مقاديرS 6درحاليكه در محيط مدل. باشد مي] ۰، ۱[گرفته در بازه ]1,0)( ∈niβ .( .شود كند و بصورت زير تعريف مي پاسخهاي محيط را مشخص مي) شكست( احتماالت جريمه cمجموعه

{ } { }rinnc ii ,...,2,1,)(|1)(Prob ==== ααβ شود كه امشخص هستند و فرض ميها نicمقادير . دهد از محيط دريافت كند را نشان مينامطلوبي پاسخ iαكه احتمال اينكه اقدام

icموفقيت(توان محيط را توسط مجموعه احتماالت پاداش بهمين صورت مي. ها يك مينيمم يكتا دارند ({ }id نشان داد كه در اين ثابت ) هاic( مقادير احتمال جريمه 7در محيطهاي ايستا. باشد ميiα به اقدام مطلوبدهنده احتمال دريافت پاسخ نشانidحالت . كند احتماالت جريمه در طول زمان تغيير مي8درحاليكه در محيطهاي غير ايستا. هستند

محيط

تصادفياتوماتاي

α(n)

β(n) اتوماتاي يادگير تصادفي۱-۲ شكل

از اين مجموعه بهمراه الگوريتم يادگيري تحت عنوان . نشان داده شده است۱-۲ شكلارتباط اتوماتاي تصادفي با محيط در

}توان با چهارتايي في را ميبهمين ترتيب اتوماتاي يادگير تصاد. شود نام برده مي9اتوماتاي يادگير تصادفي }TpLA ,,,βα≡ نشان داد } تعداد اقدامهاي اتوماتا، rكه }rαααα ,...,, } تعداد اقدامهاي اتوماتا، ≡21 }rαααα ,...,, مجموعه اقدامهاي اتوماتا، ≡21

{ }rββββ ,...,, }وروديهاي اتوماتا، مجموعه ≡21 }rpppp ,...,, بردار احتمال اقدامهاي اتوماتا و ≡21)](),(),([)1( npnnTnpT βα=+≡الگوريتمهاي يادگيري تاثيري حياتي بر عملكرد اتوماتاي يادگير . باشد الگوريتم يادگيري مي

.پردازيم نها مي به آ۴‐۲ دارند كه در بخش

1 P-model 2 Unfavorable 3 Failure 4 Favorable 5 Q-model 6 S-model 7 Stationary 8 Non-Stationary 9 Stochastic Learning Automata

اتوماتاي يادگير

13

هاي رفتار اتوماتاي يادگير معيار ٣‐ ٢

اند كه امكان مقايسه روشهاي مختلف گيري كارايي اتوماتاي يادگير تصادفي، شاخصهاي معيني تعريف شده براي اندازهشود كه اقدامهاي آن هميشه احتمال يكساني ورت اتوماتايي تعريف مييك اتوماتاي شانسي محض بص. ]94] آورند يادگيري را فراهم مي

. بايد از يك اتوماتاي شانسي محض بهتر عمل كنديادگيربنابراين يك اتوماتاي . براي انتخاب شدن داشته باشند}همانطور كه ذكر شد، محيط توسط احتماالت جريمه }rccc ,...,, احتمال جريمه متناظر با اقدام icشود كه نشان داده مي21

iαمقدار . است)(nMهاي دريافت شده توسط اتوماتا بصورت ميانگين جريمه)تعريف و بر اساس رابطه ) براي يك بردار اقدام مفروض .شود مي محاسبه۲-۲

) ۲-۲( ∑=

==r

iii npcnpnEnM

1

)()](|)([)( β

:آيد بدست مي۳-۲ است كه طبق رابطه 0M يك عدد ثابت M(n)ها براي يك اتوماتاي شانسي محض ميانگين جريمه

∑=

=r

iii npc

rM

10 )(1 ) ۲-۳(

. داشته باشد0Mهاي كمتري از بنابراين اتوماتايي كه بخواهد بهتر از اتوماتاي شانسي محض عمل كند، بايد ميانگين جريمه])[( (nM)(صادفي است، اميد رياضي يك متغير تnM)(از آنجاييكه nME ( 0باMبنابراين تعاريف زير را خواهيم . شود مقايسه مي

.داشت :شود، اگر گفته ميexpedientيك اتوماتاي يادگير ۱-۲ تعريف

0)]([ lim MnMEn <∞→ ) ۲-۴( :شود، اگر گفته مي1يك اتوماتاي يادگير بهينه۲-۲ تعريف

ln cnME <∞→ )]([ lim ) ۲-۵( }min{كه il cc رود، در عمل ممكن است يك كارايي در حاليكه بهينه بودن اتوماتا يك ويژگي مطلوب در محيطي ايستا بشمار مي. =از در چنين حالتي و . كند يك محيط واقعي معموال متغير است و در نتيجه اقدام بهينه در زمان تغيير مي. مورد نياز باشد2 بهينه نيمه

بنابراين تعريف زير را نيز . باشد تر مي ماند، يك اتوماتاي نيمه بهينه مناسب آنجاييكه الگوريتم بر روي هيچ حالت خاصي متوقف نمي :خواهيم داشت

:شود، اگر گفته ميoptimal−εيك اتوماتاي يادگير ۳-۲ تعريف

0,)]([lim >∀+<∞→ εεln cnME ) ۲-۶( :، اگر ]63] شود گفته ميAbsolutely Expedientيك اتوماتاي يادگير ۴-۲ تعريف

,...,r),(i}{cnpnnMnpnME

ii 21 sets possible allfor ),1,0()(,)()](|)1([

=∈∀∀<+ ) ۲-۷(

Expediency3بنابراين بهينه بودن. كند دهد كه اتوماتاي يادگير بهتر از اتوماتاي شانسي محض عمل مي بندرت نشان مي دهد كه اقدامي كه توسط اتوماتا انتخاب بودن اطمينان مي بهينه. باشد تري براي مقايسه روشهاي مختلف يادگيري مي شاخص مناسب

.]70] ارجحيت دارد بهينه زير در محيطهاي واقعي بعلت متغير بودن محيط رفتار . شود، اقدامي بهينه باشد مي

1 Optimal 2 Sub-Optimal 3 Optimality

اتوماتاي يادگير

14

الگوريتمهاي يادگير ٤‐ ٢

الگوريتمهاي يادگير استاندارد ١‐ ٤‐ ٢

)1()),(),()(( بصورت Tنشان داده شد، الگوريتم يادگيري ۲‐۲ همانطور كه در بخش nnnpTnP βα=+ نشان داده غيرخطيدر غير اينصورت الگوريتم يادگيري . شود ناميده ميخطي يك عملگر خطي باشد، الگوريتم يادگيري تقويتي، Tاگر . شود مي

. ه اصلي تمام الگوريتمهاي يادگيري بصورت زير استايد. شود ناميده مي از محيط دريافت نمايد، 1 را انتخاب كند و يك پاسخ مطلوبiαاُم، يك اقدام خود مانند nاگر اتوماتاي يادگير در تكرار

)(npi) احتمال اقدامiα (بالعكس در صورت نامطلوب بودن پاسخ دريافتي از محيط، . يابد ال ساير اقدامها كاهش ميافزايش و احتمدر هر حال، تغييرات به گونه اي صورت مي گيرد تا حاصل . يابد كاهش و احتمال ساير اقدامهاي اتوماتا افزايش ميiαاحتمال اقدام

.باشد تغيير احتمال اقدامها بصورت زير مي. ثابت و مساوي يك باقي بماندها هموارهnpi)(جمع از محيط پاسخ مطلوب‐الف

ijjnpfnpnp

npfnpnp

jjjj

r

ijj

jjii

≠∀−=+

+=+ ∑≠=

, )]([)()1(

)]([)()1(1 ) ۲-۸(

از محيط پاسخ نامطلوب‐ب

ijjnpgnpnp

npgnpnp

jjjj

r

ijj

jjii

≠∀−=+

−=+ ∑≠=

, )]([)()1(

)]([)()1(1 ) ۲-۹(

همانطور كه در روابط فوق . شوند دو تابع غير منفي هستند كه بترتيب توابع پاداش و جريمه ناميده ميjg و jfتوابع تر از آنجاييكه الگوريتمهاي يادگيري خطي از لحاظ رياضي ساده. كنند را حفظ مي)۱-۲ (شود، اين روابط صحت رابطه مشاهده مي

توابع ) در اتوماتايي با چند اقدام(در يك الگوريتم يادگيري تقويتي خطي . هاي زيادي بر روي آنها انجام شده است باشند، بررسي مي

jf و jg94] اند بصورت زير تعريف شده[. 10)()]([ <<= anapnpf jjj ) ۲-۱۰(

10 )(1

)]([ <≤−−

= bnbpr

bnpg jjj ) ۲-۱۱(

شكل عمومي الگوريتم )۱۱-۲ ( و )۱۰-۲ (با استفاده از رابطه . باشند پارامتر جريمه ميbاش و پارامتر پادa تعداد اقدامهاي اتوماتا، rكه :اُم خواهيم داشت n+۱ سپس در گام انتخاب شده باشد،iαاُم اقدام n اگر در گام .يادگيري بصورت زير است

1 Favorable

اتوماتاي يادگير

15

از محيط پاسخ مطلوب‐الف

ijjnpanpnpanpnp

jj

iii

≠∀−=+−+=+

, )()1()1( )](1[)()1(

) ۲-۱۲(

از محيط پاسخ نامطلوب‐ب

ijjnpbr

bnp

npbnp

jj

ii

≠∀−+−

=+

−=+

, )()1(1

)1(

)()1()1( ) ۲-۱۳(

برابرباشند، اتوماتاي يادگير b و a اگر مقادير .سه حالت را مي توان در نظر گرفتدر روابط فوق، b و aبا توجه به مقادير

RPLزمانيكه . شود ناميده ميb مساوي با صفر باشد اتوماتاي يادگير RIL1اگر . شود ناميده ميb<<a باشد، اتوماتاي يادگير PRL ε2

PRL و RILدر حاليكه دو اتوماتاي . دهد از خود نشان ميexpedient رفتاري RPLاتوماتاي . شود ناميده مي ε رفتاري زير بهينه كه بهبود محسوسي نسبت به روشهاي خطي فوق نشان ) ]137] ]60] ]63] (اند روشهاي بروز رساني غير خطي نيز معرفي شده. دارند . دهند نمي

كند، نرخ همگرايي كُند اتوماتاي در حل مسائل محدود مييك عامل تعيين كننده كه استفاده از اتوماتاي يادگير تصادفي را هرچند استفاده از برخي از روشهاي يادگيري غيرخطي باعث . شود اين عامل با افزايش تعداد اقدامهاي اتوماتا تشديد مي. يادگير است

.گردد افزايش سرعت همگرايي اتوماتا مي

S‐ الگوريتمهاي يادگيري مدل ٢‐ ٤‐ ٢

بنابراين خروجي . باشد مي] ۰، ۱[حيط به اقدامهاي اتوماتاي يادگير، يك متغير تصادفي در بازه پاسخ مSدر محيطهاي .كند بصورت زير تغيير مي) ورودي اتوماتا(محيط

{ } [ ] in ir ∀∈≡≡ ;1,0,...,,)( 21 βββββ يادگير نياز به براي سيستمهايSاست، استفاده از مدل ] ۰، ۱[ يك متغير تصادفي در بازه Sاز آنجاييكه پاسخ محيط از نوع

. تنظيم نمايد] ۰، ۱[اي از كران باال و پايين شاخصهاي كارايي سيستم دارد تا بتواند پاسخهاي محيط را در مقياس اطالعات اوليه يك الگوريتم غير خطي اما بهينه براي يك اتوماتا با دو اقدام در ]138] در . نشان داده شده است]62] در Sكارايي مناسب مدل

. معرفي شده است]73] نيز در Sيك روش زيربهينه براي يك اتوماتا با چند اقدام در محيط مدل . معرفي شده استSمحيط مدل

RILS الگوريتم ١‐٢‐٤‐٢ − ، محيط پاسخي با يك مقدار iαبراي هر اقدام مانند . شود ها تعريف مي محيط توسط احتمال جريمهPدر محيط مدل

]تصادفي ]ii n αβ پاسخ (۱ برابر ic با احتمال niβ)(، پاسخ Pدر مدل . دهد دهد كه ورودي اتوماتا را تشكيل مي به اتوماتا مي)(| .شود ، محيط بصورت زير تعريف ميSاما در محيط مدل . شود در نظر گرفته مي) پاسخ مطلوب( صفرic‐۱و با احتمال ) نامطلوب

{ }sE ,, βα≡ { } { } inEssssns iiir ∀=≡ ;|)(;,...,,)( 21 αβ كه

is مقدار ميانگين پاسخ iβ براي اقدام iαباشد و در واقع ميisفرض كنيد در گام . شوند ها محسوب مي ها بعنوان شدت جريمهn اُمRILSدر چنين حالتي احتمال اقدامهاي اتوماتاي . بوده باشدniβ)( انتخاب شده باشد و پاسخ محيط به آن iαاقدام بصورت زير −

.]94] شوند بروز مي

1 Linear Reward Inaction 2 Linear Reward Epsilon Penalty

اتوماتاي يادگير

16

ijjnpnanpnpnpnanpnp

jijj

iiii

≠∀−−=+−−+=+

, )())(1()()1( ))(1))((1()()1(

ββ

) ۲-۱۴(

.باشد ميa<۰>۱يادگيري و پارامتر aكه

RPLSالگوريتم ٢‐٢‐ ٤‐ ٢ −

RPLSالگوريتم يادگيري تقويتي اتوماتاي يادگير در مدل بصورت زير بردار احتماالت اقدامهاي اتوماتا را بروز − باشد، بردار احتمالهاي niβ)( انتخاب شده باشد و پاسخ محيط به آن iαاُم اقدام nاقدام، اگر در تكرار rدر اتوماتايي با . ]94] كند مي

.شود بروز مي)۱۵-۲ (اتوماتا طبق رابطه

ijjnpnanpr

nanpnanpnp

npnanpnanpnp

jijijijj

iiiiii

≠∀−−⎥⎦⎤

⎢⎣⎡ −

−+−−=+

−−−+=+

)()).(1.()(1

1).(. )()).(1(. )( )1(

)().(.))(1)).((1.( )( )1(

βββ

ββ ) ۲-۱۵(

PRLSالگوريتم ٣‐٢‐ ٤‐ ٢ ε−

PRLSاتوماتاي يادگيري ε− با r اقدام و پارامتر پاداش a و پارامتر جريمه b بصورت زير بردار اقدامهاي خود را بروز ، )۱۶-۲ ( باشد، بردار احتمالهاي اتوماتا طبق رابطه niβ)(انتخاب شده باشد و پاسخ محيط به آن iαاُم اقدام nاگر در تكرار . كند مي

.شود بروز مي

ijjnpnanpr

nb.npnanpnp

npnbnpnanpnp

jijijijj

iiiiii

≠∀−−⎥⎦⎤

⎢⎣⎡ −

−+−−=+

−−−+=+

)()).(1.()(1

1).( )()).(1(. )( )1(

)().(.))(1)).((1.( )( )1(

βββ

ββ ) ۲-۱۶(

با اقدامهاي متغيراتوماتاي يادگير ٥‐ ٢

باشند اما در بعضي از كاربردها نياز به اتوماتايي با تعداد اقدام متغير اتوماتاي يادگير داراي تعداد اقدام ثابتي مياقدامها كه اقدامهاي فعال ناميده از ) nV)(( اقدام خود را فقط از يك زير مجموعه غير تهي nاين اتوماتا در لحظه . ]129] باشد مينحوه فعاليت اين اتوماتا . شود توسط يك عامل خارجي و بصورت تصادفي انجام ميnV)(انتخاب مجموعه . كند شوند انتخاب مي مي

كند و سپس را محاسبه مي) nK)((، ابتدا مجموع احتمال اقدامهاي فعال خود nبراي انتخاب يك اقدام در زمان. بصورت زير استورت تصادفي و خود را بصفعالهاي آنگاه اتوماتا يك اقدام از مجموعه اقدام. كند محاسبه مي)۱۷-۲ ( را مطابق رابطه np)(بردار

باشد، پس از دريافت پاسخ محيط، اتوماتا iαاگر اقدام انتخاب شده. كند انتخاب كرده و بر محيط اعمال ميnp)(مطابق بردار احتمال )۱۹-۲ ( و در صورت دريافت جريمه طبق رابطه )۱۸-۲ (ه اقدامهاي خود در صورت دريافت پاداش بر اساس رابطnp)(بردار احتمال

.]P( [129در محيط مدل(كند ِبروز مي

)()(

)](,actions active ofset is )(|)([)(nKnp

nVnVnprobnp iiii =∈== ααα

) ١٧-٢(

از محيط پاسخ مطلوب‐الف

ijjnnpanpnpnnpanpnp

iiji

iiii

≠∀=+=+=−+=+

,)( )(.)()1( )( ))(1.()()1(

αααα

) ۲-۱۸(

اتوماتاي يادگير

17

از محيط پاسخ نامطلوب‐ب

ijjnnpbr

bnp

nnpbnp

iji

ii

≠∀=−+−

=+

=−=+

,)( )()1(1

)1(

)( )().1()1(

αα

αα ) ۲-۱۹(

)1( را با استفاده از بردارnp)( بردار احتمال اقدامهاسپس اتوماتا +npكند و بصورت زير ِبروز مي.

)( , j allfor )( , j allfor

nV(n) p1)(npnV1).K(n)(n p1)(np

jjj

jjj

∉=+∈+=+

αα ) ۲-۲۰(

اتوماتاي يادگير سلولي

18

اتوماتاي يادگير سلولي .۳

به عنوان مدلي براي ٢االم مطرح و پس از او توسط رياضيداني بنام ١ون نيومن توسط ١٩٤٠اتوماتاي سلولي در اواخر دهه اي هستند كه رفتارشان هاي ديناميكي گسسته اتوماتاي سلولي در حقيقت سيستم. هاي پيچيده پيشنهاد شد بررسي رفتار سيستم

از ديدگاه رياضيات .ر بار تحت نام مختلفي ابداع شده استسلولي چندين بار و هاتوماتاي . كامالً بر اساس ارتباط محلي استوار است . دانست ٤هاي تكرار شونده آرايه،از ديدگاه مهندسي برقو ٣اي از ديناميك توپولوژيكي توان شاخه محض آنها را مي

ورت گسسته زمان بص. شود گردد كه به هر خانه آن يك سلول گفته مي در اتوماتاي سلولي، فضا بصورت يك شبكه تعريف ميرود و قوانين آن بصورت سرتاسري است كه از طريق آن در هر مرحله هر سلول، وضعيت جديد خود را با در نظر گرفتن پيش ميهاي محاسباتي نيز در نظر گرفت كه اطالعات كد توان به عنوان سيستم اتوماتاي سلولي را مي. آورد هاي مجاور خود بدست مي همسايه

تعبير SIMDتوان بعنوان يك ماشين همچنين يك اتوماتاي سلولي بهمراه واحد كنترل آنرا مي. كنند پردازش ميشده در خودشان را يك سلول را همسايه سلول . را مشخص مي كندسلول از سلولهاي همسايه خود نحوه تاثير پذيرفتن قوانين اتوماتاي سلولي، . نمود

براي سلولهاي واقع در بعضي شرايط توان مي. تحت تاثير قرار دهدحاكم براساس قانون آنرا در يك مرحله و بتواندديگر گوئيم هر گاه wrap، فته شوددر صورتيكه همسايگي بدين صورت در نظر گر. مقابل را بعنوان همسايه در نظرگرفت) هاي( سلولهاي مرز،در مرزهاaroundيت كنوني سلول عالوه بر وضعيت قبلي سلولهاي در بدست آوردن وضع. گفته مي شود ٥ محدود شده و درغير اينصورت

البته براي . شوند طراحي ميتوسط كاربرمعموالً قوانين اتوماتاي سلولي . توان وضعيت قبلي خود سلول را نيز دخالت داد همسايه، مي تعريف رسمي اتوماتاي .ندابر الگوريتمهاي ژنتيك نيز ارائه شده مبتني حلهاي راه راههاي متفاوتي مانندجستجو در فضاي قوانين .سلولي به صورت زير است

),,,( بعدي يك چندتاييd اتوماتاي سلولي ۱-۳ تعريف FNZCA d φ=است به طوريكه : ‐dZ يك شبكه از dشبكه مي تواند يك شبكه متناهي، نيمه متناهي يا نامتناهي اين. تايي هاي مرتب از اعداد صحيح مي باشد

.باشد‐},...,1{ m=φيك مجموعه متناهي از حالتها مي باشد . ‐},...,{ 1 mxxN =،d

i Zx بردار همسايگي، . د مي باشد كه بردار همسايگي خوانده مي شوdZ يك زير مجموعه متناهي از،∋ . در شبكه سلولي به صورت زير مشخص مي كندuموقعيت نسبي همسايگان را براي هر سلول

},...,1|{)( mixuuN i =+= ) ١-٣(

دو شرط زير را ارضا مي كندuN)(تابع

)(uNuZu d ∈⇒∈∀ )()(, uNvvNuZvu d ∈∧∈⇒∈∀

) ٢-٣(

1 Von Neumann

2 Ulam 3 Topological Dynamics

4 Iterative Arrays 5 Bounded

اتوماتاي يادگير سلولي

19

)}0,0,()0,1,()1,0,()1,0,()0,1{( به ترتيب همسايگي ون نيومن، ١-٣ شكلبراي نمونه در −−=N و مور ،،)}1,1(),1,1(),1,1(),1,0(),0,1(),1,0(),0,1(),0,0{( −−−−−−=Nدر فضاي دو بعدي مي باشند نشان داده شده اند ،.

‐ φφ →mF . که به سه دسته تقسيم مي شود مي باشدCAمحلي قانون : . در اين قانون مقدار يک سلول در مرحله بعدي، به مقدار تک تک سلولهای همسايه در حالت فعلي وابسته است:١قانون عمومي ‐١ه که در حالتهای مختلف مي باشند، وابسته در اين قانون مقدار يک سلول در مرحله بعدی، به تعداد سلولهاي همساي: ٢کلي قانون ‐٢

.در اين نوع قانون برخالف قانون عمومي، توجه ای به تک تک سلولها نمي شود. استکلي دارد در اين است که در تعيين حالت بعدي سلول، حالت فعلي نيز قوانين تنها تفاوتي که اين قانون با: ٣ کلي خارجيقانون ‐۳

.موثر است

)ب) (الف(

همسايگي ون نيومن براي اتوماتاي سلولي) ب (‐همسايگي مور) الف( ۱-۳ شكل

:هاي اساسي اتوماتاي سلولي عبارتند از ويژگي . فضايي گسسته دارند‐آ .رود مي گسسته پيشزمان بصورت ‐ب .كند هر سلولي تعداد محدودي از وضعيتهاي ممكن را اختيار مي‐پ . تمام سلولها يكسان ميباشند‐ت .باشد عمل بروز در آوردن سلولها بصورت همگام مي ‐ث .شوند قوانين تصادفي نبوده و بطور قطعي اعمال مي‐ج .هاي اطراف آن دارد قانون در هر سايت فقط بستگي به مقادير همسايه ‐چ . قانون براي مقدار جديد هر سايت فقط بستگي به مقادير تعداد محدودي از مراحل قبل دارد ‐ح

:توان تغييرات زير را برآن اعمال نمود تر كردن مدل، مي براي پيچيده افزايش تعداد ابعاد محيط ‐آ هاي هر سلول افزايش تعداد وضعيت‐ب افزايش طول همسايگي‐پ متغير نمودن همسايگي در طي زمان ‐ت متغير نمودن قانون در طي زمان ‐ث تغيير در شرايط مرزي‐ج تبديل قانون اتوماتاي سلولي از حالت قطعي به حالت احتمالي ‐چ

1 General

2 Totalistic 3 Outer totalistic

اتوماتاي يادگير سلولي

20

مثلثي و شش ضلعيبا توپواوژي هاي متفاوت مانند شبكه هاي هاي استفاده از شبكه‐ح را اليرفتار احتم. گاهي الزم است كه قوانين را بصورت احتمالي در نظر گيريم بيولوژيكي،هاي فيزيكي و در مدلسازي سيستم

ايم، تعداد بسيار زيادي از همچنين با وجود اينكه سلولها را بصورت گسسته در نظر گرفته. توان به عنوان نويز در سيستم تعبير نمود مي .هنداي را از خود نشان د آنها ممكن است رفتار پيوسته

براي مثال تشخيص اين كه . يكي از اشكاالت اتوماتاي سلولي، تعيين فرم قطعي قوانين مورد نياز براي يك كاربرد خاص استاز طرفي تمام قوانين مطرح شده در . براي رسيدن به يك هدف خاص در سمت دوم قانون چه حالتي قرار گيرد، سخت مي باشد

مناسب بودن اين اتوماتای ديگردليل .رسي خود اين شرط نيز در بعضي موارد طاقت فرساستاتوماتاي سلولي مجاز نمي باشند و براز طرفي اغلب سيستمهايي كه توسط اين ابزار مدل مي شوند، سيستمهاي . سلولی براي مدل كردن سيستمهايي قطعي ميباشد

كه در سيستم وارد مي شود و دوم عدم قطعيت و يكي نويزهايي. پيچيده اي هستند كه دو ويژگي عمده در آنها به چشم مي خورد .بدين ترتيب براي چنين سيستم هايي وضع قوانين به صورت قطعي، منطقي به نظر نمي رسد. احتمالي بودن سيستم

ن به اي. يكي از اين راه حلها احتماالتي كردن قوانين مي باشند. راه حلهاي متفاوتي در برخورد با اين مشكالت به نظر مي رسداما مشكلي كه باز گريبان گير ما . ترتيب كه تمام قانونهاي امكان پذير را در نظر بگيريم و براي فعال شدن آنها احتمالي در نظر بگيريم

پس بايد به سمتي حركت كنيم كه به . خواهد شد آن است كه شناسايي همين احتمالها در سيستمهاي ناشناخته عملي نمي باشد .بدين منظور چندين رهيافت را مي توان مورد بررسي قرار داد. ذشت زمان بتواند قوانين مناسب را استخراج كندنحوي خود ابزار با گ

رهيافت اول آنست كه تمام مجموعه قوانين را براي اتوماتاي سلولي توليد كنيم و سپس با استفاده از روشهاي مكاشفه اي مانند بدين ترتيب كه هر سلول با توجه به وضعيت خود در جهان . موعه قوانين بپردازيمالگوريتمهاي ژنتيكي به جستجو برروي اين مج

در . البته اين كار اصل همگني را براي اتوماتاي سلولي از بين خواهد برد. سلولي، مجموعه اي از قوانين را مورد پذيرش قرار دهدم جستجو را براي كل ابزار ابزار پياده سازي كنيم و قانونهاي صورتيكه بخواهيم همچنان پايبند اصل همگني باشيم، مي توانيم الگوريت

مشكلي كه اين مدل ايجاد خواهد كرد اينست كه در مواردي كه فضاي جستجو بسيار . پذيرفته شده را براي همه سلولها بكار ببريم. دها اين مدل توجيه كننده نمي باشدبزرگ است، همگرايي اتوماتاي سلولي بسيار كند خواهد بود و از طرفي براي بسياري از كاربر

.همين طور ممكن است نتوانيم مبناي خوبي براي همگرا شدن سيستم بيابيمرهيافتي كه در برابر تمام ايده هاي گذشته به ذهن مي رسد، اين است كه به گونه اي، هوشمندي را به سلولهاي اتوماتاي

به اين ترتيب، . ر فرآيندهاي احتمالي و ايجاد نويز در سيستم را افزايش دهيمسلولي بيافزاييم و بدين وسيله ، تحمل مدل در براب .استفاده از الگوريتمهاي يادگيري ماشين در ساختار سلول مي تواند به منظور حل مشكالت مفيد واقع شود

فتار هر جزء بر اساس رفتار ياضي برای سيستمهايي با اجزای ساده ای است به طوريكه رريك مدل ، CLAاتوماتای يادگير سلولي، اجزاء ساده تشکيل دهنده اين مدل، از طريق کنش و واکنش با . همسايگانش و نيز تجربيات گذشته اش تعيين و اصالح مي شود

گير هر اتوماتای ياد. يکديگر رفتار پيچيده ای از خود نشان مي دهند، بنابراين از آن مي توان در مدل سازی بسياری از مسائل بهره برد اين سلول را حالتسلولي، از يک اتوماتای سلولي تشکيل شده است که هر سلول آن به يک يا چند اتوماتای يادگير مجهز مي باشد که

مانند اتوماتای سلولي، قانون محلي در محيط حاکم است و اين قانون تعيين مي کند که آيا عمل انتخاب شده . مشخص مي سازددادن پاداش ويا جريمه باعث بروز درآورده شدن ساختار . بايد پاداش داده شود ويا اينکه جريمه شودتوسط يک اتوماتا در سلول

اتوماتاي ايده اصلي اتوماتاي يادگير سلولي، كه زير مجموعه اي از . اتوماتای يادگير سلولي بمنظور نيل به يک هدف مشخص مي گردداتوماتاي يادگير براي محاسبه احتمال انتقال حالت در اتوماتاي سلولي تصادفي مي يادگير سلولي تصادفي محسوب مي شود، استفاده از

در مدل سنكرون تمام سلولها با يك ساعت . اتوماتاي يادگير سلولي را مي توان به دو دسته آسنكرون و سنكرون تقسيم كرد. باشد .سراسري هماهنگ شده و به طور همزمان اجرا مي شوند

),,,,( بعدي يك چندتاييdاتوماتاي يادگير سلولي ): اتوماتاي يادگير سلولي ( ۲-۳ تعريف FNAZCLA d φ=است به طوريكه : ‐ dZ يك شبكه از dمه متناهي يا متناهي باشداين شبكه مي تواند يك شبكه متناهي، ني. تايي هاي مرتب از اعداد صحيح مي باشد. ‐ φيك مجموعه متناهي از حالتها مي باشد . ‐ A يك مجموعه از اتوماتاهاي يادگير ،(LA)است كه هر اتوماتاي يادگير به يك سلول نسبت داده مي شود .

اتوماتاي يادگير سلولي

21

‐ },...,{ 1 mxxN . مي باشد كه بردار همسايگي خوانده مي شودdZ يك زير مجموعه متناهي از=

‐ βφ →mF مجموعه مقاديري است كه مي تواند به عنوان سيگنال تقويتي پذيرفته β مي باشد به طوريكهCLAمحلي قانون : .شود

)()),...,()((ماتريس يك ، kدر زمان سلولي اتوماتاي يادگير پيكربندي ):ديپيكربن (۳-۳ تعريف 1

kpkpkp n′′= باشد كه مي

)(kpi

. ام مي باشدi بردار احتمال اتوماتای يادگير سلول ′

تاي سلولي به يك پيكربندي اعمال قانون محلي حاكم بر اتوماتاي يادگير سلولي به هر سلول سبب مي شود تا پيكربندي فعلي اتوما .ديگر تبديل شود

را در صورتي که بردار احتمال هر کدام از اتوماتاها يک بردار يکه باشد، pيک پيکربندی ): پيکربندی قطعي و احتماالتي (۴-۳ تعريف . در غير اين صورت آن را احتماالتي مي گوييم. ميک پيکربندی قطعي مي گويي

Κ→ΚΛرفتار عمومي اتوماتاي يادگير سلولي نگاشت): رفتار عمومي (۵-۳ تعريف مي باشد كه رفتار ديناميكي اتوماتاي يادگير : .جموعه فضای پيکربندی اتوماتای يادگير سلولي استهمان م K. سلولي را توصيف مي کند

}){(0تكامل اتوماتاي يادگير سلولي، دنباله اي از پيكربنديهاي متوالي): تكامل (۶-۳ تعريف ≥kkpبه طوريكه. مي باشد:

))(()1( kpkp Λ=+ )٣‐٣(

اتوماتاي يادگير سلولي را يكنواخت مي گوييم، اگر براي تمام سلولها تابع همسايگي، ): اتوماتاي يادگير سلولي يكنواخت (۷-۳ تعريف .قانون محلي و اتوماتاهاي يادگير يكسان باشند

ZSحالت اتوماتاي يادگير سلولي يك نگاشت) حالت عمومي( ۸-۳ تعريف i

∏ →φ: مي باشد كه به هر الگوي تشكيل شده توسط

:و به صورت زير قابل محاسبه است. اتوماتاي يادگير سلولي عددي را نسبت مي دهد

mNyyCLAS )...()( 1= )٤‐٣(

),...,( تعداد سلولهاي اتوماتاي يادگير سلولي وm ،Nيش عدد در مبناي نما(.)mكه 1 Nyyترتيب مشخصي از سلولها مي باشد . را توليد 10011 كه در حال حاضر الگوي ١ و ٠ سلول و هر سلول با دو حالت ٥براي مثال براي يك اتوماتاي يادگير سلولي خطي با

)10011(19د، حالت كرده باش 2 مي باشد به اين ترتيب آشكار است كه تعداد حاالتي كه يك اتوماتاي يادگير سلولي مي تواند = .، استNmداشته باشد،

}0,...,1{ عملm و در هر سلول يك اتوماتاي يادگير با β=}1,0{با فرض اينكه): ١اعداد ولفرام (۹-۳ تعريف −m قرار گرفته كه در بازنمايي قوانين در اتوماتاي –باشد، براي توصيف يك قانون خاص مي توانيم از روش بازنمايي قانون با استفاده از اعداد ولفرام

سپس دنباله اي از نتايج . عضو دامنه قانون را به صورت خطي مرتب مي كنيمmmابتدا تمام . ستفاده كنيم ا‐سلولي استفاده مي شودبه اين ترتيب عدد ولفرام قانون مورد نظر معادل دهدهي آن . در نظر مي گيريمmمربوط به هر كدام را، بازنمايي يك عدد در مبناي

، قانون شماره ۲-۳ شكل، قانون β=}1,0{ وφ=}1,0{براي مثال براي يك اتوماتاي يادگير سلولي خطي با .است

. است۵۴)=۰۰۱۱۰۱۱۰(۲٠٠٠ ٠٠١ ٠١٠ ٠١١ ١٠٠ ١٠١ ١١٠ ١١١

1 Wolfram numbers

اتوماتاي يادگير سلولي

22

٠ ١ ١ ٠ ١ ١ ٠ ٠ ۵۴قانون ۲-۳ شكل

مطالعه رفتار اتوماتاي يادگير سلولي ١‐ ٣

براي مطالعه رفتار اتوماتاي يادگير سلولي روشهاي مختلفي مانند نحوه شكل گيري الگوها بر حسب زمان، رفتار عمومي و نحوه در اين مطالعه دو روش آخر مورد استفاده قرار گرفته . د داردتكامل در فضاي پيكربندي، و ارتباط پاداش دريافتي و حالت عمومي وجو

. است، رابطه بين حالت عمومي ٢٥٥ تا ٠ابتدا براي نشان دادن ماهيت قانون حاكم بر اتوماتاي يادگير سلولي براي هر قانون

نمونه هايي . د مطالعه قرار گرفته است سلولي مور٥اتوماتاي يادگير سلولي و پاداش كل دريافتي توسط اتوماتاي يادگير سلولي خطي . نشان داده شده است٥-٣ شكل تا ٣-٣ شكلاز اين رابطه در

باال و ( ‐۱قانون ) باال و چپ( ‐ سلول به هر حالتي كه در آن قرار گيرد۵اتاي يادگير سلولي خطي با نمودار پاداش در يافتي توسط اتوم ۳-۳ شكل .۱۰۴قانون ) پايين و راست( ‐۲۳قانون ) پايين و چپ( ‐۲۲قانون ) راست

ف ماكزيمم كردن نكته اي كه بايد به آن توجه شود اين است كه در روشهاي يادگيري تقويتي مانند اتوماتاي يادگير سلولي هد

به عبارت ديگر مي توان اتوماتاي يادگير سلولي را يك ماشين بهينه سازي در نظر گرفت كه بدون دانستن رابطه . پاداش دريافتي استدر مورد قوانين ساده اي . بين حالت عمومي و كل پاداش دريافتي سعي مي كند به يك حالت عمومي با ماكزيمم پاداش دريافتي برسد

اين فصل از پايان نامه مورد بحث قرار مي گيرند، به راحتي مي توان اين حالت عمومي را كه در آن پاداش دريافتي ماكزيمم مي كه در به هنگام استفاده از . شود بدست آورد، اما اين كار در مواردي كه قوانين از پيچيدگي زيادي برخوردار هستند عمال غير ممكن است

ر كاربردهاي واقعي، نكته مهم طراحي قانوني است كه در صورت استفاده از آن قانون با بدست آمدن حالت اتوماتاي يادگير سلولي د

اتوماتاي يادگير سلولي

23

همانطور كه در اشكال ديده مي . عمومي كه پاداش ماكزيمم را يدست مي دهد در حقيقت جواب بهينه كاربرد مورد نظر بدست آيدبه نظر مي رسد اتوماتاي يادگير سلولي با . اكزيمم پاداش را دريافت مي كنندشود، بعضي از قوانين مورد در حالتهاي عمومي بيشتري م

. استفاده از اين قوانين به سادگي به حالت عمومي با ماكزيمم پاداش مي رسد

باال ( ‐۱۰۵قانون ) باال و چپ( ‐ سلول به هر حالتي كه در آن قرار گيرد ۵نمودار پاداش در يافتي توسط اتوماتاي يادگير سلولي خطي با ۴-۳ شكل .۱۲۸قانون ) پايين و راست( ‐۱۲۷قانون ) پايين و چپ( ‐۱۲۶قانون ) و راست

باال ( ‐۱۲۹قانون ) باال و چپ( ‐ به هر حالتي كه در آن قرار گيرد سلول۵نمودار پاداش در يافتي توسط اتوماتاي يادگير سلولي خطي با ۵-۳ شكل .۲۳۲قانون ) پايين و راست( ‐۱۵۱قانون ) پايين و چپ( ‐۱۵۰قانون ) و راست

اتوماتاي يادگير سلولي

24

( ‐ در هر سلول ۰,۰۱ با دو عمل و با نرخ يادگيري LRIيادگير سلول و با فرض قرار گرفتن اتوماتاي ۵اتوماتاي يادگير سلولي خطي با ۶-۳ شكل

نمودار مجموع پاداش مورد ) پايين و چپ( ‐نمودار مجموع پاداش دريافتي ) باال و راست( ‐۳نمودار پاداش مورد انتظار براي سلول ) باال و چپ .۱براي قانون ‐ CLAنمودار حالت ) پايين و راست( ‐انتظار

( ‐ در هر سلول ۰,۰۱ با دو عمل و با نرخ يادگيري LRI سلول و با فرض قرار گرفتن اتوماتاي يادگير۵اتوماتاي يادگير سلولي خطي با ۷- ۳ شكل

نمودار مجموع پاداش مورد ) پايين و چپ( ‐نمودار مجموع پاداش دريافتي ) باال و راست( ‐۳نمودار پاداش مورد انتظار براي سلول ) باال و چپ .۱۰۵براي قانون ‐ CLAنمودار حالت ) پايين و راست( ‐انتظار

اتوماتاي يادگير سلولي

25

( ‐ در هر سلول ۰,۰۱ با دو عمل و با نرخ يادگيري LRI سلول و با فرض قرار گرفتن اتوماتاي يادگير۵اتوماتاي يادگير سلولي خطي با ۸- ۳ شكل

نمودار مجموع پاداش مورد ) پايين و چپ( ‐نمودار مجموع پاداش دريافتي ) باال و راست( ‐۳نمودار پاداش مورد انتظار براي سلول ) باال و چپ .۱۲۹براي قانون ‐ CLAنمودار حالت ) پايين و راست( ‐انتظار

( ‐ در هر سلول ۰,۰۱ با دو عمل و با نرخ يادگيري LRI سلول و با فرض قرار گرفتن اتوماتاي يادگير۵اتوماتاي يادگير سلولي خطي با ۹- ۳ شكل

نمودار مجموع پاداش مورد ) پايين و چپ( ‐نمودار مجموع پاداش دريافتي ) باال و راست( ‐۳نمودار پاداش مورد انتظار براي سلول ) باال و چپ .۱۵۰براي قانون ‐ CLAنمودار حالت ) پايين و راست( ‐نتظار ا

اتوماتاي يادگير سلولي

26

‐ در هر سلول ۰,۰۱ با دو عمل و با نرخ يادگيري LRI سلول و با فرض قرار گرفتن اتوماتاي يادگير۵اتوماتاي يادگير سلولي خطي با ۱۰-۳ شكل

نمودار مجموع پاداش مورد ) پايين و چپ( ‐نمودار مجموع پاداش دريافتي ) باال و راست( ‐۳داش مورد انتظار براي سلول نمودار پا) باال و چپ( .۱۵۱براي قانون ‐ CLAنمودار حالت ) پايين و راست( ‐انتظار

در هر سلول ۰,۰۱ با دو عمل و با نرخ يادگيري LRPلول و با فرض قرار گرفتن اتوماتاي يادگير س۵اتوماتاي يادگير سلولي خطي با ۱۱-۳ شكل

نمودار مجموع پاداش مورد ) پايين و چپ( ‐نمودار مجموع پاداش دريافتي ) باال و راست( ‐۳نمودار پاداش مورد انتظار براي سلول ) باال و چپ( ‐ .۱۲۶براي قانون ‐ CLAنمودار حالت ) پايين و راست( ‐انتظار

در هر سلول يك اتوماتاي يادگير با دو عمل . در ادامه بخش يك اتوماتاي سلولي خطي يكنواخت با سه سلول در نظر گرفته شد را به خود مي ١ يا ٠حالت هر سلول بر اساس عمل انتخاب شده توسط اتوماتاي يادگير مربوطه يكي از مقادير . قرار گرفت١ و ٠

اتوماتاي يادگير سلولي

27

به اين ترتيب در هر . را در نظر گرفتيم١ي نشان دادن نحوه تكامل اتوماتاي يادگير سلولي از هر سلول احتمال انتخاب عمل برا. گيرد. محور نمودار نشان مي دهيم٣ سلول نشان مي دهند را بر روي ٣ را در ١ عدد حقيقي که احتمال انتخاب شدن عدد ٣تكرار الگوريتم

در اين بخش بر اساس نحوه پيموده . دي نحوه تكامل اتوماتاي يادگير مورد نظر ما را نشان مي دهدع ب٣ي مسير ايجاد شده در اين فضاقبل از هر چيز کالسهايي که . برای اتوماتای يادگير سلولي ارائه مي شود) نه چندان دقيق( بعدی يك دسته بندی ٣شده در اين فضای

.لي انجام مي پذيرد شرح داده مي شودبر اساس آنها دسته بندی اتوماتای يادگير سلودر اين کالس تکامل اتوماتای يادگير سلولي به نحوی صورت مي پذيرد که پس از گذر از يک مرحله گذرا : همگرا شونده) کالس اول(

در گروه يك . گروه قابل تقسيم است٣اتوماتاهاي يادگيري سلولي اين دسته به صورت شهودي به . سرانجام در يک پيکربندی بايستداز اين كالس اتوماتاي يادگير سلولي به سادگي و با پيمودن مسيري تقريبا مستقيم به سمت پيكربندي نهايي خود حركت مي كند و

. نمونه هاي از اين اتوماتاي يادگيري سلولي ديده مي شود١٧-٣ شكل تا ١٢-٣ شكلدر . در نهايت در اين پيكربندي متوقف مي شود

در هر سلول يك ‐ در فضاي پيكربندي ۱۲تكامل اتوماتاي يادگير سلولي خطي با سه سلول، شعاع همسايگي يك و قانون شماره ۱۲-۳ شكل

. قرار دارد۰,۰۱ري با نرخ يادگيLRIاتوماتاي

اتوماتاي يادگير سلولي

28

در هر سلول يك ‐ در فضاي پيكربندي ۵۵تكامل اتوماتاي يادگير سلولي خطي با سه سلول، شعاع همسايگي يك و قانون شماره ۱۳-۳ شكل

. قرار دارد۰,۰۱ با نرخ يادگيري LRIاتوماتاي

در هر سلول يك ‐ در فضاي پيكربندي ۳۶تكامل اتوماتاي يادگير سلولي خطي با سه سلول، شعاع همسايگي يك و قانون شماره ۱۴-۳ شكل

. قرار دارد۰,۰۱ با نرخ يادگيري LRPاتوماتاي

اتوماتاي يادگير سلولي

29

در هر سلول يك ‐ در فضاي پيكربندي ۳۷تكامل اتوماتاي يادگير سلولي خطي با سه سلول، شعاع همسايگي يك و قانون شماره ۱۵-۳ شكل

. قرار دارد۰,۰۱ با نرخ يادگيري LRPاتوماتاي

در هر سلول يك ‐ در فضاي پيكربندي ۵۰ شعاع همسايگي يك و قانون شماره تكامل اتوماتاي يادگير سلولي خطي با سه سلول، ۱۶-۳ شكل

. قرار دارد۰,۰۱ با نرخ يادگيري LRPاتوماتاي

اتوماتاي يادگير سلولي

30

در هر سلول يك ‐اي پيكربندي در فض۵۱ تكامل اتوماتاي يادگير سلولي خطي با سه سلول، شعاع همسايگي يك و قانون شماره ۱۷-۳ شكل

. قرار دارد۰,۰۱ با نرخ يادگيري LRPاتوماتاي

. در گروه دوم از اين كالس، مسير پيموده شده در فضاي پيكربندي اتوماتاي يادگير سلولي به دو زير مسير قابل تقسيم است ير اتوماتاي يادگير سلولي مسير ساده و تقريبا زير مسير اول از پيكربندي شروع تا يك پيكربندي مياني است كه در طول اين مس

شكل تا ١٨-٣ شكلدر .. مستقيمي را طي مي كند و در قسمت دوم رفتار پيچيده اي در فضاي پيكربندي از خود نشان مي دهد .تاي يادگير سلولي ديده مي شود نمونه هايي از اين اتوما٢٠-٣

اتوماتاي يادگير سلولي

31

در هر سلول يك ‐ در فضاي پيكربندي ۴۷تكامل اتوماتاي يادگير سلولي خطي با سه سلول، شعاع همسايگي يك و قانون شماره ۱۸-۳ شكل

. قرار دارد۰,۰۱ با نرخ يادگيري LRPاتوماتاي

در هر سلول يك ‐ در فضاي پيكربندي ۵۸تكامل اتوماتاي يادگير سلولي خطي با سه سلول، شعاع همسايگي يك و قانون شماره ۱۹-۳ شكل

. قرار دارد۰,۰۱ با نرخ يادگيري LRPاتوماتاي

اتوماتاي يادگير سلولي

32

در هر سلول يك ‐ در فضاي پيكربندي ۲۳۰تكامل اتوماتاي يادگير سلولي خطي با سه سلول، شعاع همسايگي يك و قانون شماره ۲۰-۳ شكل

. قرار دارد۰,۰۱ با نرخ يادگيري LRPاتوماتاي

و سپس در زير ، اتوماتاي يادگير سلولي در زير مسير اول رفتار پيچيده اي از خود نشان مي دهد٢ بر خالف گروه ٣در گروه نمونه هايي از اين اتوماتاي يادگير سلولي در . مسير بعدي به سادگي مسير نسبتا مستقيمي را تا پيكربندي نهايي طي مي كند

.ديده مي شود ٢٧-٣ شكل تا ٢١-٣ شكل

در هر سلول يك ‐ در فضاي پيكربندي ۵تكامل اتوماتاي يادگير سلولي خطي با سه سلول، شعاع همسايگي يك و قانون شماره ۲۱-۳ شكل

. قرار دارد۰,۰۱ با نرخ يادگيري LRIاتوماتاي

اتوماتاي يادگير سلولي

33

در هر سلول يك ‐ در فضاي پيكربندي ۲۵ اتوماتاي يادگير سلولي خطي با سه سلول، شعاع همسايگي يك و قانون شماره تكامل ۲۲-۳ شكل

. قرار دارد۰,۰۱ با نرخ يادگيري LRIاتوماتاي

اتوماتاي يادگير سلولي

34

در هر سلول يك ‐ در فضاي پيكربندي ۲۵، شعاع همسايگي يك و قانون شماره تكامل اتوماتاي يادگير سلولي خطي با سه سلول ۲۳-۳ شكل

. قرار دارد۰,۰۱ با نرخ يادگيري LRIاتوماتاي

در هر سلول يك ‐ پيكربندي در فضاي۱۳۸تكامل اتوماتاي يادگير سلولي خطي با سه سلول، شعاع همسايگي يك و قانون شماره ۲۴-۳ شكل

. قرار دارد۰,۰۱ با نرخ يادگيري LRIاتوماتاي

اتوماتاي يادگير سلولي

35

در هر سلول يك ‐ در فضاي پيكربندي ۱۵۲تكامل اتوماتاي يادگير سلولي خطي با سه سلول، شعاع همسايگي يك و قانون شماره ۲۵-۳ شكل

. قرار دارد۰,۰۱ا نرخ يادگيري بLRIاتوماتاي

در هر سلول يك ‐ در فضاي پيكربندي ۵تكامل اتوماتاي يادگير سلولي خطي با سه سلول، شعاع همسايگي يك و قانون شماره ۲۶-۳ شكل

. قرار دارد۰,۰۱ با نرخ يادگيري LRIاتوماتاي

اتوماتاي يادگير سلولي

36

در هر سلول يك ‐ در فضاي پيكربندي ۶تكامل اتوماتاي يادگير سلولي خطي با سه سلول، شعاع همسايگي يك و قانون شماره ۲۷-۳ شكل

. قرار دارد۰,۰۱ با نرخ يادگيري LRIاتوماتاي

تمام مسير خود رفتار پيچيده اي از خود نشان مي دهد و پس تز ، اتوماتاي يادگير سلولي در٣ و٢، ١ بر خالف گروه ٤در گروه ٢٨-٣ شكلنمونه هايي از اين اتوماتاي يادگير سلولي در . پيمودن مسير پيچيده اي سر انجام در پيكربندي نهايي متوقف مي شود

. ديده مي شود٢٩-٣ شكلو

در هر سلول يك ‐ در فضاي پيكربندي ۶۷تكامل اتوماتاي يادگير سلولي خطي با سه سلول، شعاع همسايگي يك و قانون شماره ۲۸-۳ شكل

. قرار دارد۰,۰۱ با نرخ يادگيري LRIاتوماتاي

اتوماتاي يادگير سلولي

37

در هر سلول يك ‐ در فضاي پيكربندي ۴۶تكامل اتوماتاي يادگير سلولي خطي با سه سلول، شعاع همسايگي يك و قانون شماره ۲۹-۳ شكل

. قرار دارد۰,۰۱ با نرخ يادگيري LRPاتوماتاي

صورت مي پذيرد كه پس از گذر از يك مرحله گذرا در اين كالس تكامل اتوماتاي يادگير سلولي به نحوي: پريوديک) کالس دوم (نمونه هايي از اين اتوماتاي يادگير سلولي در . وارد مرحله اي مي شود كه در يك زير فضاي محدود به صورت متناوب نوسان كند

.ديده مي شود ٣٧-٣ شكل تا ٣٠-٣ شكل

در هر سلول يك ‐ در فضاي پيكربندي ۶۵تكامل اتوماتاي يادگير سلولي خطي با سه سلول، شعاع همسايگي يك و قانون شماره ۳۰-۳ شكل

. قرار دارد۰,۰۱ با نرخ يادگيري LRIاتوماتاي

اتوماتاي يادگير سلولي

38

در هر سلول يك ‐ در فضاي پيكربندي ۷۴تكامل اتوماتاي يادگير سلولي خطي با سه سلول، شعاع همسايگي يك و قانون شماره ۳۱-۳ شكل

. قرار دارد۰,۰۱ با نرخ يادگيري LRIاتوماتاي

در هر سلول يك ‐ در فضاي پيكربندي ۱۷۵تاي يادگير سلولي خطي با سه سلول، شعاع همسايگي يك و قانون شماره تكامل اتوما ۳۲-۳ شكل

. قرار دارد۰,۰۱ با نرخ يادگيري LRIاتوماتاي

اتوماتاي يادگير سلولي

39

در هر سلول يك ‐ در فضاي پيكربندي ۲يگي يك و قانون شماره تكامل اتوماتاي يادگير سلولي خطي با سه سلول، شعاع همسا ۳۳-۳ شكل

. قرار دارد۰,۰۱ با نرخ يادگيري LRIاتوماتاي

در هر سلول يك ‐ در فضاي پيكربندي ۱۷تكامل اتوماتاي يادگير سلولي خطي با سه سلول، شعاع همسايگي يك و قانون شماره ۳۴-۳ شكل

. قرار دارد۰,۰۱ با نرخ يادگيري LRIاتوماتاي

اتوماتاي يادگير سلولي

40

در هر سلول يك ‐ در فضاي پيكربندي ۲۰۰تكامل اتوماتاي يادگير سلولي خطي با سه سلول، شعاع همسايگي يك و قانون شماره ۳۵-۳ شكل

. قرار دارد۰,۰۱ي با نرخ يادگيرLRPاتوماتاي

در هر سلول يك ‐ در فضاي پيكربندي ۲۱۸تكامل اتوماتاي يادگير سلولي خطي با سه سلول، شعاع همسايگي يك و قانون شماره ۳۶-۳ شكل

. قرار دارد۰,۰۱ با نرخ يادگيري LRPاتوماتاي

اتوماتاي يادگير سلولي

41

در هر سلول يك ‐ در فضاي پيكربندي ۲۱۹تكامل اتوماتاي يادگير سلولي خطي با سه سلول، شعاع همسايگي يك و قانون شماره ۳۷-۳ شكل

. قرار دارد۰,۰۱ با نرخ يادگيري LRPاتوماتاي

به عبارت ديگر . اي يادگير سلولي مشاهده نمي شوددر اين كالس هيچ رفتار منظمي در تكامل اتومات: نامنظم) کالس سوم(

نمونه هايي از اين اتوماتاي . اتوماتاي يادگير سلولي همگرا نمي شود و در عين حال رفتار پريوديك نيز از خود نشان نمي دهد . ديده مي شود٤١-٣ شكل تا ٣٨-٣ شكليادگير سلولي در

اتوماتاي يادگير سلولي

42

در هر سلول يك ‐ در فضاي پيكربندي ۵تكامل اتوماتاي يادگير سلولي خطي با سه سلول، شعاع همسايگي يك و قانون شماره ۳۸-۳ شكل . قرار دارد۰,۰۱ با نرخ يادگيري LRPاتوماتاي

در هر سلول يك ‐ در فضاي پيكربندي ۱۰تكامل اتوماتاي يادگير سلولي خطي با سه سلول، شعاع همسايگي يك و قانون شماره ۳۹-۳ شكل

. قرار دارد۰,۰۱ با نرخ يادگيري LRIاتوماتاي

در هر سلول يك ‐ در فضاي پيكربندي ۶۶تكامل اتوماتاي يادگير سلولي خطي با سه سلول، شعاع همسايگي يك و قانون شماره ۴۰-۳ شكل

. قرار دارد۰,۰۱ با نرخ يادگيري LRIاتوماتاي

اتوماتاي يادگير سلولي

43

در هر سلول يك ‐در فضاي پيكربندي ۱۸۴ سلول، شعاع همسايگي يك و قانون شماره تكامل اتوماتاي يادگير سلولي خطي با سه ۴۱-۳ شكل

. قرار دارد۰,۰۱ با نرخ يادگيري LRIاتوماتاي

صورت LRP و LRI با در نظر گرفتن اتوماتاهاي يادگير ٢٥٥ تا ٠در مطالعه انجام گرفته شده، شبيه سازي هاي مفصلي براي قوانين

و با توجه به قوانين و ) سلول٣با ( اتوماتاي يادگير سلولي خطي ٢-٣ جدول و ١-٣ جدولاس اين شبيه سازيها، در بر اس. پذيرفته است . الگوريتمهاي يادگيري متفاوت دسته بندي شده اند

اتوماتاي يادگير سلولي

44

براساس قوانين مختلفLRIدسته بندي اتوماتاي يادگير سلولي با الگوريتم يادگيري ۱-۳ جدول نامنظم )IIIكالس ( پريوديك) IIكالس ( همگرا شونده) Iكالس (

١٤، ١٣، ١٢، ١١، ٩، ٨، ٧، ٦، ٥، ٤، ٣، ١ ،٢٥، ٢٤، ٢٣، ٢٢، ٢١، ٢٠، ١٩، ١٨، ١٦، ١٥ ،٣٦، ٣٥، ٣٤، ٣٣، ٣٢، ٣١، ٣٠، ٢٨، ٢٧، ٢٦ ،٤٦، ٤٥، ٤٤، ٤٣، ٤١،٤٢، ٤٠، ٣٩، ٣٨، ٣٧ ،٥٦، ٥٥، ٥٤، ٥٣، ٥٢، ٥١، ٥٠، ٤٩، ٤٨، ٤٧ ،٦٨، ٦٧، ٦٤، ٦٣، ٦٢، ٦١، ٦٠، ٥٩، ٥٨، ٥٧ ،٧٩، ٧٨، ٧٧، ٧٦، ٧٥، ٧٣، ٧٢، ٧١، ٧٠، ٦٩ ،٩٣، ٩٢، ٩١، ٨٨، ٨٧، ٨٦، ٨٤، ٨٣، ٨٢، ٨١ ،

١٠٢، ١٠١، ١٠٠، ٩٩، ٩٨، ٩٧، ٩٦، ٩٤ ،١١١، ١١٠، ١٠٩، ١٠٨، ١٠٧، ١٠٤، ١٠٣ ،١١٨، ١١٧، ١١٦، ١١٥، ١١٤، ١١٣، ١١٢ ،١٢٥، ١٢٤، ١٢٣، ١٢٢، ١٢١، ١٢٠، ١١٩ ،١٣٤، ١٣٢، ١٣١، ١٣٠، ١٢٨، ١٢٧، ١٢٦ ،١٤١، ١٤٠، ١٣٩، ١٣٨، ١٣٧، ١٣٦، ١٣٥ ،١٤٩، ١٤٨، ١٤٧، ١٤٦، ١٤٥، ١٤٤، ١٤٢ ،١٦٣، ١٦٢، ١٦٠، ١٥٩، ١٥٨، ١٥١، ١٥٠ ،١٧٤، ١٧٣، ١٦٩، ١٦٨، ١٦٧، ١٦٦، ١٦٤ ،١٨١، ١٨١، ١٨٠، ١٧٩، ١٧٨، ١٧٧، ١٧٦ ،١٩٠، ١٨٨، ١٨٧، ١٨٦، ١٨٥، ١٨٣، ١٨٢ ،١٩٧، ١٩٦، ١٩٥، ١٩٤، ١٩٣، ١٩٢، ١٩١ ،٢٠٥، ٢٠٤، ٢٠٣، ٢٠٢، ٢٠٠، ١٩٩، ١٩٨ ،٢٢٠، ٢١٧، ٢١٤، ٢١٢، ٢١٠، ٢٠٨، ٢٠٧ ،

٢٢٧، ٢٢٦، ٢٢٥، ٢٢٤، ٢٢٣، ٢٢١،٢٢٢ ،٢٣٦، ٢٣٥، ٢٣٤، ٢٣٣، ٢٣٢، ٢٢٩، ٢٢٨ ،٢٤٤، ٢٤٣، ٢٤٢، ٢٤١، ٢٣٩، ٢٣٨، ٢٣٧ ،٢٥٢، ٢٥١، ٢٥٠، ٢٤٩، ٢٤٨، ٢٤٧، ٢٤٦ ،

٢٥٥، ٢٥٤، ٢٥٣

١٤٣، ١٣٣، ١٢٩، ١٠٦، ٧٤، ٦٥، ١٧، ٢ ،٢٤٥، ٢٤٠، ٢١٣، ٢٠٦، ١٧٥

١٥٢، ١٠٥، ٩٥، ٩٠، ٨٩، ٨٥، ٨٠، ٦٦، ٢٩، ١٠ ،١٨٩، ١٨٤، ١٧١، ١٧٠، ١٦٥، ١٦١، ١٥٧ ،، ٢١٨، ٢١٦، ٢١٥، ٢١١، ٢٠٩، ٢٠١ف ١٩٣

٢٣٥، ٢٣١

اتوماتاي يادگير سلولي

45

براساس قوانين مختلفLRI دسته بندي اتوماتاي يادگير سلولي با الگوريتم يادگيري ۲-۳ جدول نامنظم )IIIكالس ( پريوديك) IIكالس ( همگرا شونده) Iكالس (

١٩، ١٨، ١٧، ١٦، ١٤، ١٢، ٨، ٧، ٦، ٤، ١ ،٣٨، ٣٧، ٣٦، ٣٥، ٣٤، ٣٣، ٣٢، ٢٨، ٢٣، ٢١ ،٥٠، ٤٩، ٤٨، ٤٧، ٤٦، ٤٤، ٤٣، ٤٢، ٤١، ٣٩ ،٦٠، ٥٩ ،٥٨ ،٥٧ ،٥٦، ٥٥، ٥٤، ٥٣، ٥٢، ٥١ ،٨٤، ٧٨، ٧٦، ٧٢، ٧٠، ٦٨، ٦٤، ٦٣، ٦٢، ٦١ ،١١٠، ١٠٨، ١٠٤، ١٠٠، ٩٩، ٩٨، ٩٧، ٩٢ ،١١٩، ١١٨، ١١٧، ١١٥، ١١٤، ١١٣، ١١٢ ،١٣٦، ١٣٤، ١٣٢، ١٢٧، ١٢٦، ١٢٥، ١٢٤ ،١٧٢، ١٦٨، ١٦٤، ١٥٦، ١٤٨، ١٤٢، ١٤٠ ،٢٠٦، ٢٠٤، ١٩٨، ١٩٦، ١٩٢، ١٨٨، ١٧٤ ،

٢٣٢، ٢٣٠، ٢٢٨، ٢٢٤، ٢٢٠، ٢١٢

١٧٨، ١٦٥، ١٢٩، ١٢٨، ٩١، ٩٠، ٧٧، ٣، ٢ ،٢١٩، ٢١٨، ٢٠٥، ٢٠٠، ١٧٩

٢٦، ٢٥، ٢٤، ٢٠، ١٥، ١٣، ١١، ١٠، ٩، ٥ ،٦٩، ٦٧، ٦٦، ٦٥، ٤٥، ٤٠، ٣١، ٣٠، ٢٩، ٢٧ ،٨٥، ٨٣، ٨٢، ٨١، ٨٠، ٧٩، ٧٥، ٧٤، ٧٣، ٧١ ،١٠١، ٩٦، ٩٥، ٩٤، ٩٣، ٨٩، ٨٨، ٨٧، ٨٦ ،١٢٠، ١١٦، ١١١، ١٠٩، ١٠٧، ١٠٦، ١٠٥ ،١٣٥، ١٣٣، ١٣١، ١٣٠، ١٢٣، ١٢٢، ١٢١ ،١٤٥، ١٤٤، ١٤٣، ١٤١، ١٣٩، ١٣٨، ١٣٧ ،١٥٣، ١٥٢، ١٥١، ١٥٠، ١٤٩، ١٤٧، ١٤٦ ،١٦١، ١٦٠، ١٥٩، ١٥٨، ١٥٧، ١٥٥، ١٥٤ ،١٧١، ١٧٠، ١٦٩، ١٦٧، ١٦٦، ١٦٣، ١٦٢ ،١٨٢، ١٨١، ١٨٠، ١٧٧، ١٧٦، ١٧٥، ١٧٣ ،١٩٠، ١٨٩، ١٨٧، ١٨٦، ١٨٥، ١٨٤، ١٨٣ ،٢٠١، ١٩٩، ١٩٧، ١٩٥، ١٩٤، ١٩٣، ١٩١ ،٢١١، ٢١٠، ٢٠٩، ٢٠٨، ٢٠٧، ٢٠٣، ٢٠٢ ،٢٢٢، ٢٢١، ٢١٧، ٢١٦، ٢١٥، ٢١٤، ٢١٣ ،٢٣٥، ٢٣٣، ٢٢٩، ٢٢٧، ٢٢٦، ٢٢٥، ٢٢٣

نتيجه گيري ٢‐ ٣

سپس . در اين فصل ابتدا اتوماتاي يادگيري سلولي را شرح داده و داليل به وجود آمدن اين مدل را به اجمال بيان كرديممطالعه اي برروي يك اتوماتاي يادگير سلولي ساده صورت پذيرفت و بر اساس رفتار مشاهده شده و مفاهيم استفاده شده در تئوري

مطالعه انجام شده در اين فصل بر اساس شبيه . مهاي ديناميك و تئوري پيچيدگي يك دسته بندي برروي قوانين آن انجام شدسيستسازي بوده و اولين گام در توسعه اين مطالعات انجام شبيه سازي هاي بيشتر براي بررسي صحت دسته بندي پيشنهادي و گام دوم

به نظر مي رسد با مطالعه . حت حدسهاي صورت پذيرفته بر اساس نتايج شبيه سازيها مي باشدانجام تحليل هاي رياضي براي بررسي ص گسترش تئوري سيستمهاي پيچيده بخصوص در ‐١. اتوماتاي يادگير سلولي با اين ديدگاه بتوان به چندين هدف ارزشمند دست يافت

اتوماتاي يادگير سلولي

46

گي و انتقال تدريجي اطالعات از يك نقطه سيستم به نقطه ديگر حوزه سيستمهايي مانند اتوماتاي يادگير سلولي كه در حين توزيع شد درك صحيح اتوماتاي يادگير ‐٣. گسترش تئوريهااي مربوط به يادگيري تقويتي توزيع شده‐٢. از ماهيت تصادفي بودن نيز برخوردارند

. سلولي براي استفاده از آن در كاربردهاي واقعي

الگوريتم تكاملي مبتني بر اتوماتاي يادگير سلولي

47

تاي يادگير سلوليلگوريتم تكاملي مبتني بر اتوماا .۴

به همين جهت تعداد زيادي از . نياز به جستجو در حل مسائل كاربردي امري غير قابل اجتناب و در عين حال دشوار استاين الگوريتمهاي جستجو را مي توان به دو دسته کلي . الگوريتمهاي جستجو با فلسفه ها و دامنه استفاده متفاوت بوجود آمده اند

فرق اساسي بين اين دو دسته در اين است که در جستجوهای کامل، تمام . جستجوهای مکاشفه ای تقسيم کردجستجوهای کامل وفضای جستجو به طور کامل مورد جستجو و ارزيابي قرار مي گيرد تا جواب مورد نظر يافته شود، در حاليکه در جستجوهای مکاشفه ای

جستجوهای مکاشفه ای به دو دسته . يشتر است، مورد توجه قرار مي گيردتنها بخشي از فضا که احتمال يافتن جواب در آن بويژگي اصلي الگوريتمهای قطعي در اين است که تحت شرايط يکسان، جوابهای يکسان . الگوريتمهای قطعي و غيرقطعي تقسيم پذيرند

ن الگوريتمها احتمال گير افتادن در مينيمم های ايراد اساسي اي. از جمله اين الگوريتمها مي توان به تپه نوردی اشاره کرد. مي دهنددر مقابل، الگوريتمهای مکاشفه ای غير قطعي با استفاده از احتماالت و جستجوهای تصادفي، در شرايط يکسان . محلي مي باشد

تمهای مکاشفه ای غير الگوري. همينطور در صورت افتادن در مينيمم های محلي، از آنها مي گريزند. جوابهای متفاوتي بدست مي آورندبعضي مانند تابکاری فلزات . قطعي را بر اساس تعداد جوابهايي که در هر تکرار بررسي و ذخيره مي کنند به دو دسته تقسيم مي کنند

بعضي ديگر در هر تکرار دسته ای از جوابها را ذخيره مي. تنها يک جواب را در هر تکرار مورد بررسي قرار داده و ذخيره مي کنند .دسته بزرگي از اين الگوريتمها را الگوريتمهاي تكاملي تشكيل مي دهند. کنند، که به اين الگوريتمهای مبتني بر جمعيت مي گويند

الگوريتمهاي تكاملي دسته اي از الگوريتمهاي بهينه سازي تصادفي مي باشند كه در آنها از قوانين تكاملي موجود در طبيعت اين الگوريتمها معموال براي حل مسائل بهينه سازي پارامتري كه ساير روشهاي فرمال از حل . ه مي شودبمنظور بهينه سازي استفاد

الگوريتمهای ژنتيکي . دسته بزرگي از اين الگوريتمها را الگوريتمهاي ژنتيكي تشكيل مي دهد. آنها عاجزند مورد استفاده قرار مي گيرندالت ديفرانسيل پيچيده در حل مسائل پيچيده با فضای جستجوی غير هموار مورد استفاده كالسيك به دليل سادگي و عدم نياز به معاد

مجموعه جوابهاي توليد شده در هر . جوابهاي مجاز مساله كار مي كنند١اين الگوريتمها بر پايه انتخاب و تركيب مجدد .قرار مي گيرنددر . هر ژنوم تركيبي از متغيرهاي مساله است. م يا كروموزوم مي نامنددوره الگوريتم را يك نسل و هر كدامها از جوابها را يك ژنو

ولي همواره ارتباط و تبادل اطالعات بين ژنومها از . هستندبعضي مسائل متغيرهاي مساله به هم وابسته و در بعضي ديگر از هم مستقل با يكديگر ٢طالعات سبب مي شود تا جوابهاي جزئياين جابجايي ا. طريق انتخاب و تركيب مجدد ژنومها در يك نسل صورت مي پذيرد

اما با تمام ويژگيهاي مثبتي كه در الگوريتم ژنتيكي استاندارد وجود دارد، اين . تركيب و احتماال جوابهايي با كيفيت باالتر بدست آيندبه . ]114] رفته باشند، كارايي مناسبي داردالگوريتم تنها در مواقعي كه متغيرها از هم مستقل و يا در فاصله كمي از هم در ژنوم قرار گ

عبارت ديگر رفتار الگوريتم ژنتيکي وابستگي شديدی به پارامترهايی از جمله نحوه تعريف عملگرهای جهش و توليد نسل، احتمال به همين دليل گاهي در تركيب ژنومها با يكديگر نه تنها بهبودي . جهش و توليد نسل، اندازه جمعيتها و تعداد نسلهای توليد شده دارد

به منظور رفع اين مشكل نسخه هاي . در كيفيت در جوابها حاصل نمي شود، بلكه الگوريتم در نقاط بهينه محلي به دام مي افتددسته اول الگوريتمهايي هستند كه در . كنيمبوجود آمده اند، كه مي توانيم آنها را به سه دسته تقسيم از الگوريتهای ژنتيکي متعددي

در دسته دوم به طور مشابه نحوه بازنمايي . ]122] آنها عملگرهاي ژنتيكي همزمان با فرايند تكامل به صورت خودكار بهبود مي يابنددسته سوم الگوريتمها نيز با ساخت مدلهاي احتماالتي از متغيرها سعي در افزايش . ]45] مساله همزمان با تكامل متحول مي شود

سرعت همگرايي به سمت جواب مناسب مي .]107] ]106] ]89] ]88] ]87] ]86] ]50] ]44] ]38] ]24] ]10] ]9] ]8] ]114] ]111] ]109] ]108] كنند

ويژگي ديگر الگوريتم ژنتيك استاندارد اين است كه هر ژنوم مي تواند با هر ژنوم ديگري در جمعيت ژنومها ارتباط داشته و در سالهاي اخير تالش محققان براي موازي سازي محاسبات در اين حوزه سبب . ار ارتباطي به صورت يك گراف كامل مي باشدساخت

1 Recombination 2 Partial Solution

الگوريتم تكاملي مبتني بر اتوماتاي يادگير سلولي

48

پژوهشهاي صورت گرفته نشان مي دهد مساله محلي كردن . شده تا مساله ارتباطات محلي بين ژنومها به صورت جدي مطرح شوداز داليل اين .]115] سبات موازي مي تواند سبب افزايش كيفيت جواب الگوريتم گرددارتباط بين ژنومها عالوه بر ساده سازي محا

اگر چه . بهبود كيفيت در انتقال تدريجي اثر يك ژنوم بر ساير ژنومها است كه باعت مي شود تا تعصب گرايي در الگوريتم كاهش يابديكي از . بليت محاسبات موازي تاثير آن تا حد زياد برطرف مي شودقاگرايي را كاهش مي دهد اما به دليل اين مساله سرعت هم

مدلهايي كه با استفاده از آن فرايند محلي سازي عملگرهاي ژنتيكي و ارتباط بين ژنومها صورت پذيرفته است، اتوماتاي سلولي اتوماتاي سلولي عالوه بر داشتن ساختار ساده براي مدل كردن سيستمهاي پيچيده، به دليل ماهيت . ]115] ]4] ]132] ]65] است

قابل پياده سازي است و همين امر سبب شده تا اتوماتاي SIMD براحتي بروي پردازنده هاي موازي با معماريتوزيع شدگي خود .سلولي كاربرد خود را در اين حوزه از محاسبات تكاملي پيدا كند

ان به بررسي اثر اما از سطوع متفاوت بسياري مي تو.جايگاه يادگيري در تكامل مبهم و با سواالت بي پاسخ بسياري همراه استيادگيري به عنوان يك پديده تطبيقي در طول مدت بقاي يك موجوديت زنده و تكامل يك فرايند بلند مدت در طي . آن پرداخت

پاسخ به اين سوال كه يادگيری و تکامل تا چه حد بر يكديگر اثر گذارند، هنوز به عنوان يك مساله باز تحقيقاتي . چندين نسل مي باشدبر اساس تئوري . تئوريهای متفاوتي در اين باره ارائه شده اند كه دو مورد از مهمترين آنها تئوري الماركين و بالدوين مي باشد. مي باشد

الماركين، محيط در طول زندگي جاندار بر آن تاثير مي گذارد و اين تاثيرات بروي ساختار ژنتيكي جاندار منعكس شده و به فرزندان نادرستي اين تئوري در حال حاضر به طور كامل از سوي محققين علوم طبيعي مورد قبول مي باشد، اما منشا اگرچه. منتقل مي شود

يدگاه تئوري بالدوين يادگيري با تشويق موفقيتهايي در مقابل از د. ]139] ]56] كارهايي در زمينه محاسبات ملهم از طبيعت مي باشددر سطح باالتر، پدر و مادر مي . ]114] كه در فرايند تكامل به صورت جزئي صورت مي پذيرند، سبب هدايت و تسريع تكامل گردد

از طريق روشهای مختلف انتقال دانش مانند نوشتن و سخن گفتن به توانند تجاربي را که در طي زندگي خود بدست مي آورند،به همين . يک پدر و مادر باهوش مي توانند بسيار سريع فرزند خود را در پرورش استعدادهايش موفق سازند. فرزندان خود منتقل کنند

از طرفي يک شخص . ن آنها منتقل شودصورت دانش منتقل شده به فرزندان، در طول زندگي آنها بهبود يافته و سپس به فرزنداکه همين امر سبب مي شود تا گونه هايي که توانايي . باهوش مي تواند با دقت بيشتری همسران خود را برای توليد مثل انتخاب کند

و بالخره در باالترين .های باالتری دارند با يگديگر توليد مثل کرده و در نتيجه فرزندان آنها نيز از تنوع ژنتيکي بهتری برخوردار باشدآنچه به عنوان . سطح، تاثير يادگيری بر تکامل از ديد گسترش تمدن برپايه دانش منتقل شده از نسلهای گذشته قابل بررسي است

تجارب نسلهای گذشته در اختيار نسلهای آينده قرار ميگيرد سبب پيشرفت تمدن، تکنولوژی و شهر نشيني مي شود و در مقابل اين .ها باعث پيشرفت سريعتر تواناييهای نسلهای آينده مي گرددپيشرفت

الگوريتمهاي تكاملي توزيع شده ۱‐ ۴

در تالشهايي كه به . بي شك يكي از جنبه هاي آشكار در الگوريتمهاي تكاملي موازي بودن ذاتي محاسبات در آنها مي باشدديدگاه اول كاهش زمان الزم براي . ست، دو ديدگاه مد نظر استمنظور متبلور ساختن اين مساله در محاسبات تكاملي صورت پذيرفته ا

ديدگاه دوم معتقد است كه مي توان با نزديك كردن . جستجوي موازي در فضاي جستجو مي باشددر فراينديافتن جواب مطلوب شايد . ي بهتر دست پيدا كرد طبيعت كه به صورت موازي صورت مي پذيرد، به الگوريتمهافرايندهای تکاملي درروشهاي محاسباتي به

تعدادي زيادي از مدلهاي مبتني بر اين . باشد1ساده ترين روش در موازي سازي الگوريتمهاي تكاملي موازي سازي آنها به روش مكاني به ژنومهادر مدل جزيره اي جمعيت . مي باشد٣ و مدل توري٢رهيافت ارائه شده اند كه دو مدل شناخته شده آنها مدل جزيره اي

به منظور ردوبدل . صورت چندين زير جمعيت در نظر گرفته مي شوند كه فرايند تكامل در هر زير جمعيت مستقال صورت مي پذيردكردن اطالعات بين زير جمعيتها در زمانهاي مشخصي و بر اساس الگوهاي مهاجرتي مناسب، تعدادي از ژنومهاي يك زير جمعيت به

1 Spatial

2 Island Model 3 Grid Model

الگوريتم تكاملي مبتني بر اتوماتاي يادگير سلولي

49

وي يك شبكه سلولي قرار مي گيرند، به نحوي كه هر ژنوم در ردر مدل توري جمعيت ژنومها بر. ندزير جمعيت ديگر مهاجرت مي كن. محلي با همسايگان خود تكامل مي يابندعملگرهای ژنومها در اين مدل محاسباتي به صورت همزمان و از طريق . يك سلول قرار گيرد

محاسبات موازي مي تواند سبب کردنط بين ژنومها عالوه بر ساده پژوهشهاي صورت گرفته نشان مي دهد مساله محلي كردن ارتبايكي از داليل اين بهبود كيفيت در انتقال تدريجي اثر يك ژنوم بر ساير ژنومها است كه . ]115] گرددبدست آمدهافزايش كيفيت جواب

اگر چه اين مساله سرعت همگرايي را كاهش مي دهد اما با انجام محاسبات برروي . ي دهد را در الگوريتم كاهش م١تعصب گرايييكي از مدلهايي كه با استفاده از آن فرايند محلي سازي . تا حد زياد برطرف مي شودکاهش سرعت همگرايیماشينهاي موازي تاثير

اتوماتاي سلولي عالوه بر . ]115] ]4] ]132] ]65] ي سلولي استعملگرهاي ژنتيكي و ارتباط بين ژنومها صورت پذيرفته است، اتوماتا مدل كردن سيستمهاي ديناميك پيچيده، به دليل ماهيت توزيع شدگي خود براحتي بروي پردازنده هاي داشتن ساختار ساده براي

قابل پياده سازي است و همين امر سبب شده تا اتوماتاي سلولي كاربرد خود را در اين حوزه از محاسبات SIMDموازي با معماري تكاملي پيدا كند

الگوريتم پيشنهادي ۲‐ ۴

ملي از جمله الگوريتم مطرح شده در اين پايان نامه امكان جستجو را در هر فضاي جستجوي گسسته متناهي الگوريتمهاي تكا. باشدفرض مي كنيم فضاي جستجوي مورد نظر يك فضاي متناهي دودويي ارائه الگوريتم کردندلخواه دارند، اما به منظور ساده

.بنابراين مساله بهينه سازي به فرم زير قابل طرح است

}|)(max{ nBXXf ∈ ) ١-٤(

nnB يك تابع حقيقي و f(.) به طوريكه فرض كنيد هر ژنوم مورد بحث در اين . فضاي جستجوي دودويي مورد نظر است=}1,0{مدل . رشته ژنومي همان راه حل هاي مياني مساله مورد نظر مي باشند. مي و مدل ژنومي باشدالگوريتم داراي دو مولفه رشته ژنو

و بدين ترتيب . ژنومي متشكل از تعدادي اتوماتاي يادگير مي باشد كه بر اساس تجارب گذشته خود و ژنومهاي ديگر آموزش مي بينندنحوه انتساب اتوماتاهاي يادگير مدل . اساس تابع ارزيابي بهبود يابدفرايند تكامل به سمتي هدايت مي شود تا ارزش رشته ژنومي بر براي مثال مي توانيم رشته ژنومي را به دسته هاي دو بيتي تقسيم . ژنومي به بيتهاي رشته ژنومي به گونه هاي مختلفي قابل طرح است

فرض دودويي بودن فضاي جستجو و رشته ژنومي به به اين ترتيب با. كرده و به ازاي هر دسته يك اتوماتاي يادگير در نظر بگيريمبراي مثال در اين حالت اگر يك . اتوماتاي يادگير، هركدام با چهار عمل خواهيم داشتn/2، تعداد )با فرض زوج بودن (nطول

در اين پايان . پذيرند را مي ١ و١ دسته متناظر آن مقادير ٢ و ١ را انتخاب كند به معناي آن است كه بيت ٣اتوماتاي يادگير عمل به عبارت ديگر به ازاي هر بيت در رشته . نامه با فرض مستقل بودن متغيرهاي مساله ساده ترين شكل مدل ژنومي را در نظر مي گيريملگوريتم تا به اينجا ساختار مورد نياز در ا. ژنومي يك اتوماتاي يادگير در مدل ژنومي خواهيم داشت كه مقدار آن بيت را تعيين مي كند

. همانطور كه آشكار است اين ساختار مانند ساختار سلول در اتوماتاي يادگير سلولي است. را شرح داديم),...,(حال براي ادامه بحث يك اتوماتاي يادگير سلولي ، 1 kLLCLA با ،k سلول كه هر سلول مجهز به n اتوماتاي يادگير

مي باشد كه در الگوريتم مورد نظر ما اين رشته سلول نشان دهنده حالت آنnه به طول در هر سلول يك رشت. است در نظر بگيريدبا فرض . مي باشدn2واضح است كه فضاي حالت هر سلول . همان رشته ژنومي مي باشد كه در قسمت قبل آن را شرح داديم

، رشته هاي ژنومي خود و همسايگان خود را مورد بررسي قرار داده و بر i هر سلول، tدر زمان، سنكرون بودن اتوماتاي يادگير سلولياين فرايند معادل انتخاب زوج در طبيعت مي . مناسب انتخاب مي كندژنومهایاساس تابع ارزيابي از ميان آنها دسته اي را به عنوان

به عبارت ديگر اگر يك ژنوم، ژنوم ديگري را به عنوان يكي از كانديدهاي خود انتخاب . و طرفه نمي باشداين شيوه انتخاب د. باشد

1 Bias

الگوريتم تكاملي مبتني بر اتوماتاي يادگير سلولي

50

البته اين روش معادل عيني در بين سيستمهاي طبيعي . نمايد، تضميني براي انتخاب شدن از طرف ژنوم مقابل وجود نخواهد داشتاين . ت، بردار سيگنال تقويتي را ساخته و به اتوماتاهاي يادگير خود مي دهدژنوم بر اساس ژنومهايي كه انتخاب نموده اس. ندارد

نكته اي كه بايد به آن توجه داشته باشيم اين است كه نحوه انتخاب . مكانيسم در واقع معادل جفت گيري ژنوم مورد نظر مي باشدپس از آن . دهد، از پارامترهاي بسيار مهم الگوريتم مي باشدان ميشژنومها و توليد بردار تقويتي كه قانون اتوماتاي يادگير سلولي را ن

iبراي توليد tX در صورتي كه . ، هر كدام از اتوماتاهاي يادگير مقدار مورد نظر خود را براي بيت متناظر خود در ژنوم اعالم مي كنند+1i،ژنوم جديد

tnew سلول رشته ژنومي در غير اين صورت ،وم قبلي داشته باشد، جايگزين آن مي شود ارزش بيشتري نسبت به ژن،+1 .قبلي را حفظ مي كند

⎪⎩

⎪⎨⎧

≤

>=

++

++ )()(

)()(

11

11 i

tit

it

it

it

iti

t newfXfnew

newfXfXX )٢‐٤(

اين مكانيزم را مي توان به . اين بخش از الگوريتم معادل يادگيري از تجارب قبلي ژنوم و حفظ آنها در نسلهاي بعدي مي باشدنمايي از يک سلول الگوريتم در يک شبکه تک ١-٤ شكلدر . گيري بر تكامل از ديدگاه تئوري بالدوين دانستنوعي معادل تاثير ياد

و الگوريتم الگوريتم ژنتيك استاندارد ، اتوماتاي يادگير سلوليمفاهيم استفاده شده در ١-٤ جدولدر . ديده مي شود) ٢-٤ شكل(بعدی . ند شده اژنتيکي سلولي مقايسه

نمايي از يک سلول در الگوريتم پيشنهادی ۱-۴ شكل

نمايي از يک شبكه سلولي استفاده شده الگوريتم پيشنهادی ۲-۴ شكل

ماتاي يادگير سلولي و الگوريتم ژنتيکي کالسيک تشابه و تفاوت بين الگوريتم ژنتيكي سلولي، اتو۱-۴ جدول

سلولييادگير اتوماتای الگوريتم ژنتيکي سلولي كالسيكالگوريتم ژنتيکي سلول سلول فرد جمعيت

شبکه سلولها شبکه سلولها جمعيت يک نسل حالت سلول حالت سلول )کروموزوم ( ومژن

قوانين عملگر ژنتيکي عملگرهای ژنتيکي

الگوريتم تكاملي مبتني بر اتوماتاي يادگير سلولي

51

همسايگي همسايگي ‐

يادگيراتوماتاهاي ‐ -

بخش اول . قانون تعريف شده براي اتوماتاي يادگير سلولي مورد استفاده در الگوريتم پيشنهادي از دو بخش تشكيل شده است

Se،mSeام، نحوه انتخاب تعداد مشخص iمنظور از استراتژي انتخاب سلول . استراتژي انتخاب مي باشد رشته ژنومي از ، 1≥≥i وآن را را انتخاب مي كنيمiP از بهترين ژنومهای ژنومSe مورد استفاده،در استراتژي . ، مي باشدiP ژنوم همسايه،mميان

SeP مي .ناميم

i استراتژي توليد سيگنال تقويتي با استفاده از مجموعهبخش دوم قانونSePبردار سيگنال تقويتي به روشهای . مي باشد

فرض کنيد . ي پردازيمپايان نامه مدر اين بخش به شرح روش مورد استفاده در اين . گوناگون قابل محاسبه است),...,( ,1, ni

tit

it βββ niهرگاه در اين صورت . بردار مورد نظر باشد=

t }1,0{∈β محيط از نوع Pمقدار در چنين محيطي . مي باشدQ،iدر محيط . به عنوان پاداش در نظر گرفته مي شود۰ به عنوان جريمه و ۱

tβ بردارهای از بردار مي تواند به طور گسسته يک . بودن محيط استP در ادامه کار فرض ما بر . باشد]1,0[n تصادفي در فاصله بردار، S و در محيط از نوع ]n]1,0محدود در فاصله

),...,( اگر ,1, nit

it

it XXX jiبرای هر متغير. باشد tام در زمانiرشته ژنومي سلول =

tX ,، nj و به ازای 1≥≥,)(،k=1,0مقادير kN jiرا به صورت زير محاسبه مي کنيم .

)|()( ,

,i

Seji

tl lji PkXkN == ∑ δ )٣‐٤(

jiبه طوريکه اگر متغير

tX )|(1 را داشته باشدk، مقدارامين سلولi در, , == iSe

jitl PkXδو در غير اين صورت برابر صفر است .

,)(سپس با استفاده از kN jiمقدار jit

,βرا بدست مي آوريم .

))0()1(( ,,,

jijiji

t NNu −=β If 0, =jitX

))1()0(( ,,,

jijiji

t NNu −=β If 1, =jitX

)٤‐٤(

كد مجازي الگوريتم پيشنهادي ٣-٤ شكلدر . که در باال آن را شرح داديم، به فرم قوانين کلي مي باشدقانوني. تابع پله استu(.)که

.شده استارائه

Initialize. While not done do For each cell i in CLA do in parallel Generate a new string genome Evaluate the new string genome If f(new string genome)> f(old string genome) then Accept the new string genome End if Select Se cells from neighbors of cell i Generate the reinforcement signal vector Update LAs of cell i End parallel for End while

مبتني بر اتوماتاي يادگير سلوليپيشنهادیتكاملي الگوريتم ۳-۴ شكل

الگوريتم تكاملي مبتني بر اتوماتاي يادگير سلولي

52

بهينه سازي تابع ٣‐ ٤

اد تعد"و " كيفيت جواب" تابع محك استاندارد و به ازاي ٥ را براي CLA-ECدر اين بخش نتايج شبيه سازي الگوريتم . مورد مطالعه قرار مي دهيم) SGA(توسط الگوريتم براي همگرايي كامل، در مقابل الگوريتم ژنتيكي استاندارد " ارزيابيهاي انجام شده زماني به همگرايي كامل مي رسد كه تمام اتوماتاهاي يادگير آن كامال همگرا شوند و در نتيجه CLA-ECبر اساس تعريف ما،

مورد مطالعه قرار LRP و LRI به ازاي الگوريتمهاي يادگيري CLA-ECالگوريتم . ي آن هيچ تغييري نكندمجموعه رشته هاي ژنوم سلول، شعاع q اي با CLA-EC، الگوريتم CLA-EC(automata(a,b),r,se,q)براي سادگي در ارائه فرض مي كنيم . گرفته استتمام داده . باشدb و نرخ جزاي a با نرخ پاداش automataيادگير سلول انتخاب شده در هر همسايگي و اتوماتاي r ،seهمسايگي

مي باشند DeJong تابع محك انتخاب شده توابع مشهور ٥. اجراي الگوريتم مي باشد٢٠هاي گزارش شده در اين بخش ميانگيني از . ميالدي در پايان نامه دكتراي خود مورد استفاده قرار داده است١٩٧٥كه وي در سال

12.512.5)( 3

12

1 ≤≤−= ∑ = ii i xxXF )٥‐٤(

048.2048.2)1()(100)( 21

22

212 ≤≤−−+−= ixxxxXF )٦‐٤(

∑ =≤≤−=

5

13 12.712.7)(integer)(i ii xxXF )٧‐٤(

28.128.1)1,0()( 30

14

4 ≤≤−+= ∑ = ii i xGaussixXF )٨‐٤(

536.65536.65))(

1002.0()( 125

1 2

165 ≤≤−

−++= −

=

=

∑∑

ij

i iji

xaxj

XF )٩‐٤(

ولها ارزش تمام سل" انحراف معيار"و " ميانگين"، "بدترين"، "بهترين"، CLA-ECدر اين بخش براي مطالعه سرعت همگرايي

-CLA نتايج شبيه سازي را براي ٨-٤ شكل تا ٤-٤ شكل. براي تمام تابع هاي مورد آزمايش گزارش شده اندEC(LRP(0.01,0.01),1,2,5) و CLA-EC(LRI(0.01,0.01),1,2,5)يج نشان ميدهند در مورد توابع نتا. نشان مي دهند

. به جوابهاي نزديك به بهينه همگرا مي شوندCLA-ECمورد آزمايش، ١٢-٤ شكل تا ٩-٤ شكل. تاثير مستقيم داردCLA-EC، پارامتر مهم ديگري است كه بر كارايي CLA-ECتعداد سلولهاي

نشان داده CLA-EC(LRI(0.01,0.01),1,2, -) و CLA-EC(LRP(0.01,0.01),1,2, -)تاثير تعداد سلولها را بر سرعت نتايج شبيه . هر نقطه نشان داده شده در اين تصاوير ارزش بهترين جواب بدست آمده در هر تكرار الگوريتم را نشان مي دهد. شده است

البته به نظر مي رسد، . افزايش بيابد، سرعت همگرايي نيز افزايش مي يابدCLA-ECدهد كه هر چه تعداد سلولهاي سازي نشان مي .افزايش تعداد سلولها تنها تا حدي باعث افزايش سرعت همگرايي شود

الگوريتم تكاملي مبتني بر اتوماتاي يادگير سلولي

53

)ب(

)الف(

F1تابع ۴-۴ شكل CLA-EC(LRI(0.01,0.01),1,2,5) )ب(CLA-EC(LRP(0.01,0.01),1,2,5) ) الف(

)ب(

)الف(

F2تابع ۵-۴ شكل CLA-EC(LRI(0.01,0.01),1,2,5) ) ب(CLA-EC(LRP(0.01,0.01),1,2,5) ) الف(

الگوريتم تكاملي مبتني بر اتوماتاي يادگير سلولي

54

)ب(

)الف(

F3 تابع ۶-۴ شكل CLA-EC(LRI(0.01,0.01),1,2,5) )ب( CLA-EC(LRP(0.01,0.01),1,2,5) )الف(

)ب(

)الف(

F4 تابع ۷-۴ شكل CLA-EC(LRI(0.01,0.01),1,2,5) )ب( CLA-EC(LRP(0.01,0.01),1,2,5) )الف(

الگوريتم تكاملي مبتني بر اتوماتاي يادگير سلولي

55

)ب(

)الف(

F5 تابع ۸-۴ شكل CLA-EC(LRI(0.01,0.01),1,2,5) )ب( CLA-EC(LRP(0.01,0.01),1,2,5))الف(

)ب(

)الف(

F1 بهترين مقدار بدست آمده در هر تكرار الگوريتم براي تابع ۹-۴ شكل CLA-EC(LRI(0.01,0.01),1,2, -) )ب( CLA-EC(LRP(0.01,0.01),1,2, -))الف(

الگوريتم تكاملي مبتني بر اتوماتاي يادگير سلولي

56

)ب(

)الف( F2 بهترين مقدار بدست آمده در هر تكرار الگوريتم براي تابع ۱۰-۴ شكل

CLA-EC(LRI(0.01,0.01),1,2, -) ) ب( CLA-EC(LRP(0.01,0.01),1,2, -) )الف(

)ب(

)الف(

F4بهترين مقدار بدست آمده در هر تكرار الگوريتم براي تابع ۱۱-۴ شكل CLA-EC(LRI(0.01,0.01),1,2, -)) ب( CLA-EC(LRP(0.01,0.01),1,2, -))الف(

الگوريتم تكاملي مبتني بر اتوماتاي يادگير سلولي

57

)ب(

)الف(

F5 بهترين مقدار بدست آمده در هر تكرار الگوريتم براي تابع ۱۲-۴ شكل CLA-EC(LRI(0.01,0.01),1,2, -))ب( CLA-EC(LRP(0.01,0.01),1,2, -))الف(

چندين CLA-ECبر كارايي ) Se(به منظور مطالعه تاثير شعاع همسايگي و تعداد سلولهاي انتخاب شده در هر همسايگي

نتايج شبيه سازي ها نشان مي دهد كه . ارائه شده است٢٢-٤ شكل تا ١٣-٤ شكلشبيه سازي انجام شده است كه نتايج آن در CLA-EC با در نظر گرفتن . جوابهايي با كيفيتي بسيار مناسب توليد مي كند١ با شعاع همسايگيSe=2 و Se=4 براي توابع F1,

F2, F4 ،CLA-ECبراي . جوابهاي بهينه با سرعت باالتري بدست مي آيندF3رنظر گرفتن با دSe=2 ويا Se=4 سرعت ، Se=1 ،Se=3براي همين تابع با درنظر گرفتن . افزايش مي يابد، اما جوابهاي بدست آمده بهينه نمي باشندCLA-ECهمگرايي

در CLA-EC، ٥ ويا ٣، ١ برابر با Se با در نظر گرفتن مقدار F5براي تابع . الگوريتم در تمام اجراها به جواب بهينه رسيدSe=5ويا . تمام اجراها به جواب بهينه مي رسد

مي Se انتخاب شود، پارامتر ١در نتيجه اگر شعاع همسايه . سلول همسايه مي باشد2r+1، هر سلول داراي rبا شعاع همسايگي : نكته الگوريتم و در نتيجه كاهش ٤ باعث سادگي مرحله2r+1 و يا در حالت كلي ٣انتخاب مقدار . را داشته باشد٣، و ٢، ١تواند سه مقدار

. زمان اجرا و حافظه مورد نياز الگوريتم گردد

)ب(

)الف(

F1تابع ۱۳-۴ شكل

الگوريتم تكاملي مبتني بر اتوماتاي يادگير سلولي

58

CLA-EC(LRP(0.01,0.01),1, - , -) ) ب( CLA-EC(LRP(0.01,0.01),2, - , -) ) الف(

)ب(

)الف(

F1تابع ۱۴-۴ شكل CLA-EC(LRP(0.01,0.01),1, - , -) ) ب( CLA-EC(LRP(0.01,0.01),2, - , -) )الف(

)ب(

)فال(

F2تابع ۱۵-۴ شكل CLA-EC(LRP(0.01,0.01),1, - , -)) ب( CLA-EC(LRP(0.01,0.01),2, - , -)) الف(

الگوريتم تكاملي مبتني بر اتوماتاي يادگير سلولي

59

)ب(

)الف(

F2 تابع ۱۶-۴ شكل CLA-EC(LRP(0.01,0.01),1, - , -) ) ب (CLA-EC(LRP(0.01,0.01),2, - , -))الف(

)ب(

)الف( F3تابع ۱۷-۴ شكل

CLA-EC(LRP(0.01,0.01),1, - , -) )ب( CLA-EC(LRP(0.01,0.01),2, - , -))الف(

الگوريتم تكاملي مبتني بر اتوماتاي يادگير سلولي

60

)ب(

)الف(

F3تابع ۱۸-۴ شكل CLA-EC(LRP(0.01,0.01),1, - , -) )ب (CLA-EC(LRP(0.01,0.01),2, - , -))الف(

)ب(

)الف(

F4تابع ۱۹-۴ شكل CLA-EC(LRP(0.01,0.01),1, - , -) )ب( CLA-EC(LRP(0.01,0.01),2, - , -) )الف(

الگوريتم تكاملي مبتني بر اتوماتاي يادگير سلولي

61

)ب(

)الف(

F4تابع ۲۰-۴ شكل CLA-EC(LRP(0.01,0.01),1, - ,5) )ب (CLA-EC(LRP(0.01,0.01),2, - ,5))الف(

)ب(

)الف(

F5تابع ۲۱-۴ شكل CLA-EC(LRP(0.01,0.01),1, - , 5) )ب ( CLA-EC(LRP(0.01,0.01),2, - ,5))الف(

الگوريتم تكاملي مبتني بر اتوماتاي يادگير سلولي

62

)ب(

)الف(

F5 تابع ۲۲-۴ شكل CLA-EC(LRP(0.01,0.01),1, - , 5) )ب (CLA-EC(LRP(0.01,0.01),2, - ,5))الف(

نشان مي F2 را به هنگام بهينه سازي تابع CLA-EC(LRP(0.01,0.01),1,2,10) پراكندگي جوابهاي ٢٣-٤ شكلمها در با گذشت زمان از پراكندگي ژنومها كاسته شده و توزيع ژنو. در ابتداي شروع بهينه سازي پراكندي ژنومها بسيار زياد است. دهد

همانطور كه در شكل نشان داده شده است، پس از همگرايي كامل، تمام ژنومها در ناحيه كوچكي . نزديكي نقطه بهينه بيشتر مي شود . به عبارت ديگر تمام ژنومها بهينه و يا نزديك به جواب بهينه مي باشند. از همسايگي نفطه بهينه قرار دارند

بر اساس . در يك اجرا، نشان مي دهدCLA-EC(LRP(0.01,0.01),1,2,10) روند تكامل ارزش ژنومها را در ٢٤-٤ شكلشكل، با گذشت زمان، تفاوت ارزش ژنومهاي تمام سلولها كمتر و كمتر مي شود به طوريكه در همگرايي كامل اكثر سلولها ارزش

.تفريبا يكساني دارندCLA-ECدر ادامه اين قسمت، الگوريتم : قابل الگوريتم ژنتيكي ساده در مCLA-EC با الگوريتم ژنتيكي ساده مقايسه مي

تورنمنت بدون جايگذاري با تراگذري يكنواخت با ‐٢الگوريتم ژنتيكي مورد آزمايش، يك الگوريتم ژنتيكي با استراتژي انتخاب . شودشرط خروج از الگوريتم ژنتيكي نيز . پياده سازي شده از عملگر جهش استفاده نشده استدر الگوريتم. مي باشد٠,٥احتمال جابجايي

. همگرايي كامل الگوريتم است. در نظر گرفته شده است٣ برابر با F3 و براي تابع ٢ برابر با F1, F2, F4, F5 ، Seبراي مقايسه نتايج شبيه سازي توابع

بر الگوريتم CLA-ECنتايج نشان دهنده برتري قابل توجه . نشان داده شده است٢٩-٤ شكل تا ٢٥-٤ شكلنتايج مقايسه در .ژنتيكي دارد

الگوريتم تكاملي مبتني بر اتوماتاي يادگير سلولي

63

F2 به هنگام بهينه سازي تابع CLA-EC(LRP(0.01,0.01), 1, 2, 10)ومها در پراكندگي ژن ۲۳-۴ شكل

F2 به هنگام بهينه سازي تابع CLA-EC(LRP(0.01,0.01), 1, 2, 10) تكامل ارزش ژنومها ۲۴-۴ شكل

الگوريتم تكاملي مبتني بر اتوماتاي يادگير سلولي

64

)ب(

)الف(

F1 و الگوريتم ژنتيكي ساده براي تابع CLA-EC(LRP(0.01,0.01),1 ,2 , -) ۲۵-۴ شكل )objective value(مفدار بدست آمده ) ب) function evaluations(تعداد ارزيابيها ) الف

)ب(

)الف(

F2 و الگوريتم ژنتيكي ساده براي تابع CLA-EC(LRP(0.01,0.01), 1, 2, -) ۲۶-۴ شكل )objective value(مفدار بدست آمده ) ب) function evaluations(تعداد ارزيابيها ) الف

الگوريتم تكاملي مبتني بر اتوماتاي يادگير سلولي

65

)ب(

)الف( F3 و الگوريتم ژنتيكي ساده براي تابع CLA-EC(LRP(0.01,0.01),1 ,3 ,-) ۲۷-۴ شكل

)objective value(مفدار بدست آمده ) ب) function evaluations(تعداد ارزيابيها ) الف

)ب(

)الف(

F4 و الگوريتم ژنتيكي ساده براي تابع CLA-EC(LRP(0.01,0.01), 1, 2, -) ۲۸-۴ شكل )objective value(مفدار بدست آمده ) ب) function evaluations(تعداد ارزيابيها ) الف

الگوريتم تكاملي مبتني بر اتوماتاي يادگير سلولي

66

)ب(

)الف( F5 و الگوريتم ژنتيكي ساده براي تابع CLA-EC(LRP(0.01,0.01), 1, 2, -) ۲۹-۴ شكل

)objective value(مفدار بدست آمده ) ب) function evaluations(زيابيها تعداد ار) الف

نتيجه گيري ٤‐ ٤

در اين . يک الگوريتم تکاملي توزيع شده را بر مبنای مدل اتوماتای يادگير سلولي معرفي و مورد بررسي قرار داديمفصلدر اين در . و يک مدل احتماالتي تشکيل شده و ژنومها بروی يک شبکه سلولي در کنار يکديگر قرار مي گيرندالگوريتم هر ژنوم از يک رشته

هر زمان تمام ژنومها به صورت همزمان فعال مي شوند و بر اساس رشته ژنومي خود و همسايگان مدل احتماالتي خود را به روز رساني يگر توليد مي کند که در صورت داشتن کيفيتي باالتر از رشته ژنوم قبلي، در مرحله بعد مدل ژنومي، يک رشته ژنومي د. مي کنند

از طرفي نتايج نشان مي دهد، با تعداد نسبتا کمي از ژنومها، . از مزاياي اين الگوريتم توزيع شدگي آن مي باشد. جايگزين آن مي شوددر . مورد الگوريتمهای ژنتيکي، چنين قائده ای بر قرار نيستدر حاليکه در. مسائل با تعداد متغيرهای زياد قابل بهينه سازی مي باشند

براي ادامه مطالعه بر روي اين . تنها با توپولوژي خطي و به صورت آسنکرون بررسي شده استارائه شده ، الگوريتم اين پايان نامهاز طرفي بررسي . را مورد مطالعه قرار داد بعدی، و انواع همسايگي ها۲مي توان انواع ديگر توپولوژي ها مانند توپولوژي الگوريتم

اوال در صورت کارايي مدل آسنکرون مي توانيم به دليل پيچيدگي . تاثيرات آسنکرون کردن الگوريتم به دو دليل حائز اهميت استای متفاوت فعال ثانيا در مدل آسنکرون مي توانيم از روشه. پياده سازی سخت افزاری مدل سنکرون، از مدل آسنکرون استفاده کنيم

و به اين . برای مثال مي توانيم توزيعهای احتماالتي متفاوت را در فعال سازی سلولها مورد بررسي قرار دهيم. کردن سلولها بهره ببريم .ترتيب امکان بررسي حالتهای بيشتری از الگوريتم را فراهم سازيم

خوشه بندي با استفاده از الگوريتم تكاملي مبتني بر اتوماتاي يادگير سلولي

67

١ماتاي يادگير سلوليخوشه بندي با استفاده از الگوريتم تكاملي مبتني بر اتو .٥

خوشه بندي كه از مهمترين مسائل مطرح در شناسايي الگو به شمار مي رود، خوشه بندي يك تكنيك دسته بندي بدون نظارت است كه در ان مجموعه داده ها كه معموال بردارهايي در فضاي چند بعدي مي باشند، بر اساس يك معيار شباهت يا عدم شباهت به

تاكنون تعداد بسيار متنوعي الگوريتمهاي خوشه بندي ارائه شده اند، اما به دليل آنكه هيچ . وشه تقسيم مي شوندتعداد مشخصي خكدام از الگوريتمهاي ارائه شده قادر به خوشه بندي هر مجموعه داده اي دلخواه با كيفيت مناسب نيستند، تحقيقات برروي ارائه

در حال حاضر خوشه بندي بر اساس الگوريتمهاي بهينه سازي مانند . دار مي باشدالگوريتمهاي جديد از ارزش بااليي برخورو گزارشات متنوعي بر اين پايه ارائه شده . ، شبيه سازي تابكاري فلزات، مورد توجه محققين قرار گرفته است]74] الگوريتمهاي ژنتيكي

. است بعدي هستند و خوشه ها، نواحي پيوسته اي از اين فضا را تشكيل مي دهند Nمجموعه داده ها، بردارهايي در فضايفرض كنيد كه

معموال چگالي . كه در آن نواحي، چگالي در آنها بيشتر از ساير نقاط است و نواحي جداكننده اي اين خوشه ها را از هم جدا مي كند :، به صورت زير نشان دهيمXدر صورتي كه مجموعه داده ها را با مجموعه. جدا كننده پايين استنقاط در نواحي

},...,{ 1 MXXX = ١-٥ },...,{آنگاه، مجموعه خوشه هاي توليد شده را با مجموعه 1 KCCC ان ميدهيم، مجموعه هاي توليد شده داراي شرايط زير نش=

:هستندKiCi ,...,1, =≠ φ

XCK

ii =

=U

1

KjijiCC ji ,...,1,,, =≠=∩ φ

۵-۲

روشهاي متعددي براي تعريف . اعضاي خوشه هاي ديگر كمتر است خيلي به هم شبيه هستند و شباهت آنها بهiCاعضاي هر خوشه .شباهت بين داده ها به صورت كمي وجود دارد كه فاصله اقليدسي يكي از مرسومترين آنها مي باشد

‐، روشهاي مبتني بر شاخهk-meansروشهاي متعددي براي خوشه بندي ارائه شده اند كه مي توان از جمله آنها به الگوريتم كرانه با در نظر گرفتن يك معيار يكنوا، سعي ‐در روشهاي شاخه. نه، روشهاي مبتني بر الگوريتم ژنتيكي و تابكاري فلزات اشاره كردكرا

اين معيار تضمين مي كند كه براي رسيدن به يك خوشه بندي بهينه لزومي . در يافتن يك نقطه بهينه سراسري تابع هدف مي كننددر هر گره از .. كرانه، باعث ايجاد درخت خوشه بندي مي گردد‐اجراي الگوريتم شاخه. هاي ممكن نيستبه جستجو تمام فضاي حالت

انتخاب يك . اين درخت، اگر ادامه مسيري منجر به افزايش تابع هزينه، از مقدار از پيش تعريف شده اي گردد، آن مسير قطع مي گردددر روشهايي كه از الگوريتم ژنتيكي يا تابكاري فلزات . روش همواره كاهنده باشدمعيار يكنواي مناسب باعث مي شود، تابع هزينه اي

براي خوشه بندي استفاده مي كنند، ابتدا خوشه بندي را به صورت مساله بهينه سازي يك تابع هزينه در مي آورند، سپس با استفاده ويژگي مثبت اين روشها به خصوص روشهاي مبتني بر الگوريتم .از الگوريتم ژنتيكي يا تابكاري فلزات به بهينه كردن آن مي پردازند

اشكال روشهاي مبتني بر ژنتيك الگوريتم نياز آنها به . ژنتيك، كاهش وابستگي خوشه هاي بدست آمده از پيكر بندي اوليه مي باشد يك الگوريتم توزيع شده است و مي ٤ فصل از آنجا كه الگوريتم بهينه سازي ارائه شده در. حافطه باال و كند بودن نسبي آنها مي باشد

.تواند بر روي ماشينهاي موازي پياده سازي شود، در اين فصل از آن براي حل مساله خوشه بندي استفاده مي كنيم

1 نوشته شده است]112] اين فصل از پايان نامه بر اساس مرجع

خوشه بندي با استفاده از الگوريتم تكاملي مبتني بر اتوماتاي يادگير سلولي

68

-kمراحل الگوريتم ١-٥ شكلدر . ، يكي از الگويتمهاي شناخته شده در خوشه بندي داده مي باشدk-means الگوريتم meansبه صورت كامل نشان داده شده است .k-means به رقم سرعت باال در انجام خوشه بندي نسبت به ساير روشها، نسبت به

به منظور . حالت اغازين مقدار دهي بسيار حساس مي باشد و احتمال گير افتادن اين الگوريتم در نقاط بهينه محلي باال مي باشد مورد مقايسه قرار مي kmeans ، نتايج را با الگوريتم CLA-ECبررسي كيفيت خوشه بندي انجام شده توسط الگوريتم مبتني بر

. دهيم

Step 1. Choose K initial cluster centers Kmmm ,...,, 21 randomly from the X. Step 2. Assign point iX , Mi ,...,1= to cluster jC , },...,1{ Kj ∈ if

sjKsmXmX siji ≠=−<− ,,...,1,

Step 3. Compute new cluster centers **1 ,..., Kmm as follows:

∑∈

==iCjx

ji

i KiXn

m ,...,1,1*

Where in is the number of elements belonging to cluster iC .

Step 4. If Kimm ii ,...,1,* == then terminate. Otherwise continue step 2.

kmeansالگوريتم ۱-۵ شكل

الگوريتم خوشه بندي ١‐ ٥

.. و فاز خوشه بندي مي باشدCLA-ECوت فاز پيش پردازش، فاز فاز متفا٣الگوريتم پيشنهادي، داراي فاز پيش پردازش ١‐١‐٥

براي كاهش فضاي جستجو، در ابتدا بزرگترين و كوچكترين . ميباشدCLA-ECهدف اين فاز كاهش اندازه فضاي جستجويي . مقدار هر بعد مجموعه داده ها را پيدا ميكنيم

}{minmin ,

1ji

Mij x

≤≤=

}{maxmax ,1

jiMi

j x≤≤

=

jjj minmax −=∆

)٣‐٥(

. را تعريف مي كنيمR´ = [0,∆1] ×…× [0,∆N] مجموعه سپس .مي باشد xi امين جزxi,j ،jكه

CLA-ECفاز ٢‐١‐٥

مورد استفاده CLA-ECمشخصات . ، خوشه ها با توجه به معيار مجموع مربع خطا بهينه سازي مي شوندCLA-ECدر فاز .ه شرح زير مي باشدب

خوشه بندي با استفاده از الگوريتم تكاملي مبتني بر اتوماتاي يادگير سلولي

69

قسمت كه هركدام يك عدد حقيقي را بازنمايي مي M×Nهر رشته ژنومي بوسيله يك رشته دودويي شامل : بازنمايي رشته ژنومي .ام را نشان مي دهدi بعد مركز خوشه j ام رشته ژنومي باشد، كه ( i×N + j) قسمت ،λ´i,jفرض كنيد . كند نشان داده مي شود

محاسبه مي (λ´i,j+minj) با استفاده از مقدار λi,jسپس . ها محاسبه مي شوند λ´i,j ابتدا ،ξبراي محاسبه ارزش : تابع ارزيابي .تابع ارزش يك ژنوم به صورت زير محاسبه مي شود. گردد

∑=

Α==M

iiKff

1

2*1 )(),...,()( λλξ

كه

jiji λx −=Α ,

jiKj

i ,1

* min Α=Α≤≤

در اين مرحله بهترين رشته ژنومي بدست آمده در تكرار . بعد از تعداد مشخصي تكرار متوقف مي شودCLA-ECتكامل : معيار خروج . در نظر گرفته شده است٢٠٠در اين پايان نامه تعداد ماكزيمم تكرارها برابر . آخر راه حل مساله خوشه بندي است

فاز خوشه بندي ٣‐١‐٥

براي اين . بر اساس بهترين ژنوم بدست آمده در تكرار آخر محاسبه مي شونددر اين فاز، خوشه ها بر اساس مراكز محاسبه شده : منتسب مي شود كه λk با مركز Ck به گونه اي به يكي از خوشه هاي xiكار هر نقطه

jiKj

kC ,1minarg Α=

≤≤

كه

jiji λx −=Α , .

شبيه سازي ٢‐ ٥

مجموعه داده با استفاده از اين الگوريتم خوشه بندي شده و با نتايج خوشه ٩به منظور ارزيابي كارايي الگوريتم ارائه شده، ، Data 1 ،Data 2مشخصات مجموعه داده هاي آزمايش شده با نامهاي . مورد مقايسه قرار گرفته اندK-meansبندي الگوريتم

Data 3 ،Data 4 ،Data 5 ،Data 6، Data 7 ،Data 8 ،IRISبه شرح زير مي باشند .

خوشه بندي با استفاده از الگوريتم تكاملي مبتني بر اتوماتاي يادگير سلولي

70

)ب(

)الف(

Data 2) ب (Data 1) الف( ۲-۵ شكل

Data 1 : استنشان داده شده) الف( ٢-٥ شكل نقطه كه در٥٩ خوشه و ٤يك مجموعه داده دو بعدي با . Data 2 : نشان داده شده است) ب (٢-٥ شكل نقطه كه در ٢٥ خوشه و ٤يك مجموعه داده دو بعدي با. Data 3 : اده شده استنشان د) الف (٣-٥ شكل نقطه كه در ١٧٠ خوشه و ٤يك مجموعه داده دو بعدي با. Data 4 : نشان داده شده است) ب (٣-٥ شكل نقطه كه در ١٢٨ خوشه و ٥يك مجموعه داده دو بعدي با. Data 5 : نشان داده شده است) الف (٤-٥ شكل نقطه كه در ١٠٠ خوشه و٥يك مجموعه داده دو بعدي با. Data 6 : نشان داده شده است) ب (٤-٥ شكل نقطه كه در ٣٥ خوشه و ٣يك مجموعه داده دو بعدي با. Data 7 : نشان داده شده است) الف (٥-٥ شكل نقطه كه در ١٣١ خوشه و ٢يك مجموعه داده دو بعدي با. Data 8 : نشان داده شده است) ب (٥-٥ شكل نقطه كه در ٢٠٤ خوشه و ٤يك مجموعه داده دو بعدي با.

IRIS : نقطه مي باشد١٥٠ خوشه و ٣ بعدي با ٤يك مجموعه .

)ب(

)الف(

Data 4) ب (Data 3) الف( ۳-۵ شكل

خوشه بندي با استفاده از الگوريتم تكاملي مبتني بر اتوماتاي يادگير سلولي

71

)ب(

)الف(

Data 6) ب (Data 5) الف( ۴-۵ شكل

)ب(

)الف(

Data 8) ب (Data 7) الف( ۵-۵ شكل

را براي تمام داده ها و به ازاي پارامترهاي متفاوت CLA-EC نتايج الگوريتم خوشه بندي مبتني بر ٦-٥ جدول تا ١-٥ جدولبراي هر . انند نوع اتوماتاي يادگير، نرخ پاداش و جزا، تعداد سلولها، و تعداد سلولهاي انتخاب شده در هر همسايگي نشان مي دهندم

به ترتيب ٤، و ٣، ٢، ١ستونهاي . ستون مي باشد١٢هر جدول داراي . در نظر گرفته شده است٢٠٠شبيه سازي تعداد تكرارها برابر نشان ١٢ تا ٥ستونهاي . ، نرخ پاداش، نرخ جزا و تعداد سلولهاي انتخاب شده در هر همسايگي را نشان مي دهندنوع اتوماتاي يادگير

واضح است هر چه مقدار . مي باشند١٥، و ١٠، ٥، ٣ با CLA-EC مرتبه اجرا براي ٥٠دهنده ميانگين و انحراف معيار استاندارد نتايج .ش پيدا كند، كيفيت خوشه بندي بهتر مي شودميانگين و انحراف معيار استاندارد كاه

، آشكار مي شود كه هر چه تعداد سلولها افزايش مي يابد، كيفيت ٦-٥ جدول تا ١-٥ جدولبا دقت در نتايج ارائه شده در LRεP و LRPهمچنين نتايج نشان دهنده كيفيت جوابها در هنگام استفاده از الگوريتمهاي يادگيري . ودخوشه بندي نيز بهتر مي ش

-CLAلولهای تاثير تعداد س٧-٥ شكل و ٦-٥ شكل. به مراتب بهتر استSe=1و با در نظر گرفتن مقدار

خوشه بندي با استفاده از الگوريتم تكاملي مبتني بر اتوماتاي يادگير سلولي

72

EC(LRP(0.01,0.01),1,1,-) را بر خوشه بندی Data 8 و IRISهمانطور که در اشکال مشاهده مي شود هرچه . نشان مي دهد .تعداد سلولها افزايش مي يابد کيفيت خوشه بندی نيز بهبود مي يابد

)ب(

)الف(

انحراف معيار ) ب(ميانگين ) الف (Data 8 بر کيفيت خوشه بندی CLA-EC(LRP(0.01,0.01),1,1,-)تاثير تعداد سلولهای ۶-۵ شكل مرتبه اجرای الگوريتم۵۰استاندارد جوابهای بدست آمده برای

‐ CLAرا در ) خط نقطه چين(و ميانگين ارزش ژنومها ) خط پيوسته(هترين ژنوم ارزش جواب ب ٨-٥ شكلEC(LRP(0.01,0.01),1,1,5) برای Data 1 و Data 4تکامل ارزش همه ژنومها ٩-٥ شكل. را نشان مي دهدCLA-

EC(LRP(0.01,0.01),1,1,15)برای داده را در يک اجرای الگوريتم Data 8اين اشکال نشان ميدهند ه ارزش . نشان ميدهد . به دريج به جواب بهينه محلي نزديک مي شوندCLA-ECهمه ژنومها در

)ب(

)الف(

انحراف معيار ) ب(ميانگين ) الف (IRIS بر کيفيت خوشه بندی CLA-EC(LRP(0.01,0.01),1,1,-)تاثير تعداد سلولهای ۷-۵ شكل مرتبه اجرای الگوريتم۵۰استاندارد جوابهای بدست آمده برای

خوشه بندي با استفاده از الگوريتم تكاملي مبتني بر اتوماتاي يادگير سلولي

73

)ب(

)الف(

برای CLA-EC(LRP(0.01,0.01),1,1, 5)برای ) خط نقطه چين(و ميانگين ارزش تمام ژنومها ) خط پيوسته (ارزش بهترين ژنوم ۸- ۵ شكل Data 4 ) ب (Data 1) الف(داده

Data 8 در خوشه بندی CLA-EC(LRP(0.01,0.01),1,1,15)تکامل ژنومهای ۹-۵ شكل

. سلول۱۵ (IV) سلول ۱۰ (III) سلول ۵ (II) سلول Data 1 ‐‐ (I) ۳ برای CLA-ECنتايج خوشه بندی با استفاده از ۱-۵ جدول

خوشه بندي با استفاده از الگوريتم تكاملي مبتني بر اتوماتاي يادگير سلولي

74

-Kالگوريتم مورد مقايسه با . مورد مقايسه قرار گرفته استK-meansدر ادامه نتايج الگوريتم ارائه شده با نتايج الگوريتم meansسلول مي باشد که هر سلول از قانون يادگيری ٥رای دا LRP تعداد . است، استفاده مي کند٠,١که نرخ جزا و پاداش آن

اجرای هر دو ٥٠نتايج . در نظر گرفته شده است٢٠٠ و تعداد تکرارهای الگوريتم ١سلولهای انتخاب شده در هر همسايگي برابر شكل در Data 6 و Data 5، برای ١١-٥ شكل در Data 4 وData 3، برای ١٠-٥ شكل در Data 2 و Data 1الگوريتم برای

. نشان داده شده است١٣-٥ شكل در Data 8 و Data 7 و برای ١٢-٥

. سلول۱۵ (IV) سلول ۱۰ (III) سلول ۵ (II) سلول Data 2 ‐‐ (I) ۳ برای CLA-ECنتايج خوشه بندی با استفاده از ۲-۵ جدول

LA a b Se Mean (I)

Std (I)

Mean (II)

Std (II)

Mean (III)

Std (III)

Mean (IV)

Std (IV)

0.01 0 1 340.65 53.32 239.10 0 239.10 0 239.10 0 0.01 0 2 427.36 85.25 239.10 0 239.10 0 239.10 0 LRI 0.01 0 3 594.96 124.39 239.10 0 239.10 0 239.10 0 0.01 0.01 1 289.45 64.57 239.10 0 239.10 0 239.10 0 0.01 0.01 2 394.12 161.92 239.10 0 239.10 0 239.10 0 LRP 0.01 0.01 3 384.75 127.64 239.10 0 239.10 0 239.10 0

0.1 0 1 378.65 115.76 239.10 0 239.10 0 239.10 0 0.1 0 2 493.23 179.45 239.10 0 239.10 0 239.10 0 LRI 0.1 0 3 512.46 196.29 239.10 0 239.10 0 239.10 0 0.1 0.01 1 239.10 0 239.10 0 239.10 0 239.10 0 0.1 0.01 2 434.45 186.56 239.10 0 239.10 0 239.10 0 LRεP 0.1 0.01 3 486.46 208.46 239.10 0 239.10 0 239.10 0 0.1 0.1 1 239.10 0 239.10 0 239.10 0 239.10 0 0.1 0.1 2 387.65 113.65 239.10 0 239.10 0 239.10 0 LRP 0.1 0.1 3 363.81 98.65 239.10 0 239.10 0 239.10 0

، Data 1 ،Data 2با دقت در نتايج درمي يابيم كه براي داده هاي. چكيده نتايج آزمايشات را نشان مي دهد٧-٥ جدولData 3 ،Data 4 ،Data 5 ،Data 6 ،Data 7 و IRISتايج الگوريتم نCLA-EC(LRP(0.1,0.1),1,1, 5) بر نتايج الگوريتم

K-meansهمچنين براي . برتري داردData 8 نتايج ١٥ با تعداد سلول بيشتر از CLA-EC از نتايج K-means بهتر خواهد بود ). ١-١ شكل(

LA a B Se Mean (I)

Std (I)

Mean (II)

Std (II) Mean (III) Std

(III) Mean (IV) Std (IV)

0.01 0 1 10235.21 789.34 10196.34 745.45 10145.83 685.45 10113.45 663.34 0.01 0 2 10269.56 818.25 10233.56 778.37 10195.32 738.22 10134.52 694.63 LRI0.01 0 3 10310.42 836.54 10297.31 810.38 10213.25 750.49 10123.25 692.56 0.01 0.01 1 10123.23 685.12 10073.23 667.25 10067.23 614.25 10031.25 601.14 0.01 0.01 2 10128.64 720.35 10098.66 690.26 10092.66 623.45 10043.53 612.35 LRP0.01 0.01 3 10319.68 789.43 10209.46 725.32 10112.35 678.41 10052.35 634.67 0.1 0 1 10277.49 814.47 10242.38 783.45 10197.67 733.96 10163.45 656.12 0.1 0 2 10343.23 833.48 10294.56 812.87 10284.11 753.48 10193.46 695.55 LRI0.1 0 3 10361.24 829.27 10317.63 823.45 10299.45 752.16 10203.65 712.24 0.1 0.01 1 10237.67 687.54 10113.68 610.23 10073.65 612.35 10045.62 572.35 0.1 0.01 2 10265.59 723.95 10136.37 698.34 10093.84 634.72 10046.98 601.28 LRεP0.1 0.01 3 10294.44 729.67 10149.43 625.41 10114.37 639.65 10072.84 593.46 0.1 0.1 1 10243.35 675.14 10067.91 659.10 10054.45 620.23 10004.32 534.67 0.1 0.1 2 10245.65 723.95 10132.48 711.84 10094.32 625.75 10023.47 602.31 LRP0.1 0.1 3 10299.92 732.33 10209.46 725.32 10134.45 643.49 10072.99 616.86

خوشه بندي با استفاده از الگوريتم تكاملي مبتني بر اتوماتاي يادگير سلولي

75

. سلول۱۵ (IV) سلول ۱۰ (III) سلول ۵ (II) سلول Data 3‐‐ (I) ۳ برای CLA-ECنتايج خوشه بندی با استفاده از ۳-۵ جدول

LA a b Se Mean (I)

Std (I)

Mean (II)

Std (II)

Mean (III)

Std (III)

Mean (IV)

Std (IV)

0.01 0 1 17884.37 1635.74 17026.48 814.57 16542.37 671.57 16018.58 453.92 0.01 0 2 18242.67 2015.13 17922.18 935.68 17922.18 773.35 16560.39 591.23 LRI 0.01 0 3 18654.68 2135.68 18240.87 1124.95 18031.11 804.13 17024.82 582.10 0.01 0.01 1 17132.17 579.52 15942.91 461.26 15799.84 201.24 15671.66 44.98 0.01 0.01 2 17824.57 796.11 16472.36 646.79 16032.76 287.63 15755.49 73.56 LRP 0.01 0.01 3 19367.29 1246.85 16917.84 937.64 16125.85 595.37 15843.57 123.34 0.1 0 1 18521.24 1485.37 17958.54 929.48 17073.25 541.19 16103.58 440.74 0.1 0 2 19321.39 1612.92 18227.84 1120.92 17624.32 735.85 16357.78 489.30 LRI 0.1 0 3 20472.85 2011.46 18583.67 1242.28 18583.67 1242.28 16302.74 519.64 0.1 0.01 1 17471.17 932.55 16102.39 591.34 16953.46 524.69 15829.73 325.65 0.1 0.01 2 18671.39 1107.67 17117.42 839.52 16793.37 637.99 16101.13 532.43 LRεP 0.1 0.01 3 18991.26 1262.58 17295.83 841.19 16851.27 541.19 15641.14 401.35 0.1 0.1 1 17012.38 539.36 15889.02 413.71 15784.09 346.59 15603.09 120.08 0.1 0.1 2 18031.13 1134.57 17230.54 962.54 16104.83 607.03 15691.14 154.45 LRP 0.1 0.1 3 18328.75 1517.26 17530.36 1424.94 16354.57 739.70 15641.14 181.35

. سلول۱۵ (IV) سلول۱۰ (III) سلول ۵ (II) سلول Data 4 ‐‐ (I) ۳ برای CLA-ECنتايج خوشه بندی با استفاده از ۴-۵ جدول

LA a b Se Mean (I)

Std (I)

Mean (II)

Std (II)

Mean (III)

Std (III)

Mean (IV)

Std (IV)

0.01 0 1 1947.36 53.79 1873.71 0 1873.71 0 1873.71 0 0.01 0 2 2036.43 127.93 1873.71 0 1873.71 0 1873.71 0 LRI 0.01 0 3 2016.83 98.41 1873.71 0 1873.71 0 1873.71 0 0.01 0.01 1 1913.71 25.39 1873.71 0 1873.71 0 1873.71 0 0.01 0.01 2 1889.90 10.43 1873.71 0 1873.71 0 1873.71 0 LRP 0.01 0.01 3 1912.43 21.43 1873.71 0 1873.71 0 1873.71 0 0.1 0 1 1893.45 12.45 1873.71 0 1873.71 0 1873.71 0 0.1 0 2 1910.76 21.48 1873.71 0 1873.71 0 1873.71 0 LRI 0.1 0 3 1925.47 39.47 1873.71 0 1873.71 0 1873.71 0 0.1 0.01 1 1873.71 0 1873.71 0 1873.71 0 1873.71 0 0.1 0.01 2 1873.71 0 1873.71 0 1873.71 0 1873.71 0 LRεP 0.1 0.01 3 1873.71 0 1873.71 0 1873.71 0 1873.71 0 0.1 0.1 1 1873.71 0 1873.71 0 1873.71 0 1873.71 0 0.1 0.1 2 1873.71 0 1873.71 0 1873.71 0 1873.71 0 LRP 0.1 0.1 3 1873.71 0 1873.71 0 1873.71 0 1873.71 0

. سلول۱۵ (IV) سلول ۱۰ (III) سلول ۵ (II) سلول Data 5‐ (I) ۳ برای CLA-ECنتايج خوشه بندی با استفاده از ۵-۵ جدول

LA a b Se Mean (I)

Std (I)

Mean (II)

Std (II)

Mean (III)

Std (III)

Mean (IV)

Std (IV)

0.01 0 1 5815.56 624.35 5791.56 439.24 5561.68 15.31 5541.21 12.58 0.01 0 2 5903.45 653.28 5862.51 449.31 5632.95 86.13 5583.23 62.49 LRI 0.01 0 3 5923.27 661.78 5899.75 487.63 5681.11 53.29 5591.26 53.29 0.01 0.01 1 5739.46 426.68 5714.65 310.17 5593.27 13.03 5525.34 0 0.01 0.01 2 5902.34 531.96 5865.87 354.22 5610.34 17.49 5525.34 0 LRP 0.01 0.01 3 5894.62 542.84 5801.24 413.75 5652.95 32.34 5596.78 32.34

خوشه بندي با استفاده از الگوريتم تكاملي مبتني بر اتوماتاي يادگير سلولي

76

0.1 0 1 5915.35 590.14 5856.81 479.75 5983.57 62.58 5599.57 62.58 0.1 0 2 5904.26 623.57 5873.35 512.38 5701.81 101.16 5612.35 84.62 LRI 0.1 0 3 5925.14 659.38 5891.47 504.67 5784.27 153.29 5636.26 93.29 0.1 0.01 1 5893.37 603.35 5808.52 603.35 5561.15 72.82 5534.93 10.34 0.1 0.01 2 5889.75 652.49 5849.21 629.37 5575.21 49.83 5529.46 5.38 LRεP 0.1 0.01 3 5901.23 693.79 5876.32 633.96 5574.16 34.69 5535.16 16.38 0.1 0.1 1 5791.24 345.68 5683.50 229.75 5531.27 9.80 5525.34 0 0.1 0.1 2 5832.71 357.36 5736.15 267.28 5542.15 11.25 5525.34 0 LRP 0.1 0.1 3 5825.43 372.97 5773.50 245.14 5548.72 18.94 5529.75 3.73

. سلول۱۵ (IV) سلول ۱۰ (III) سلول ۵ (II) سلول Data 6‐‐ (I) ۳ برای CLA-EC استفاده از نتايج خوشه بندی با ۶-۵ جدول

LA a b Se Mean (I)

Std (I)

Mean (II)

Std (II)

Mean (III)

Std (III)

Mean (IV)

Std (IV)

0.01 0 1 3188.6 190.4 3159.2 147.29 3119.60 117.72 3066.45 80.75 0.01 0 2 3189.1 222.4 3106.92 114.05 3048.03 53.98 3044.99 67.54 LRI 0.01 0 3 3153.5 173.25 3117.76 110.93 3083.53 85.22 3032.52 51.31 0.01 0.01 1 3080.3 97.51 3073.34 79.71 3018.47 38.63 3023.19 46.49 0.01 0.01 2 3150.58 189.48 3076.89 90.76 3069.81 79.68 3034.13 52.03 LRP 0.01 0.01 3 3151.82 192.67 3057.34 78.79 3036.27 61.60 3021.75 39.71 0.1 0 1 3051.17 85.98 3022.63 40.33 3002.24 18.84 3001.4 14.85 0.1 0 2 3023.73 43.55 3036.75 65.0 3012.01 27.75 3009.63 34.31 LRI 0.1 0 3 3107.11 161.93 3034.65 69.36 3000.71 15.75 3000.52 4.69 0.1 0.01 1 3012.37 30.13 3026.18 48.01 3004.88 23.82 3001.23 18.23 0.1 0.01 2 3056 92.41 3050.16 86.44 3019.23 41.99 3005.23 29.99 LRεP 0.1 0.01 3 3064.54 85.19 3021.80 46.73 3004.94 23.26 3000.89 13.26 0.1 0.1 1 3063.85 97.97 3078.00 118.17 3022.78 42.64 3012.23 23.21 0.1 0.1 2 3181.84 212.12 3129.22 164.77 3030.86 55.33 3023.86 46.28 LRP 0.1 0.1 3 3554.93 514.22 3162.72 190.51 3041.28 77.07 3010.56 34.67

Std و Meanستونهاي—IRIS و Data 1,2,3,4,5,6,7,8 براي داده هاي K-means و CLA-EC(LRP(0.1,0.1),1,1, 5)نتايج ۷-۵ جدول . اجراي الگوريتمهاست۵۰نشان دهنده ميانگين و انحراف معيار استاندارد نتايج

Data Set (CLA-EC-clustering) Mean

(CLA-EC-clustering) Std

(Kmeans) Mean

(Kmeans) Std

1 10067.92 656.10 10373.33 694.78 2 239.10 0 3980.59 3073.99 3 15889.02 413.71 19457.38 7526.98 4 1873.71 0 8473.58 5424.68 5 5683.50 229.75 5920.9 817.05 6 3078.0 118.17 3206.67 469.77 7 44514.27 485.48 44630.6 1159.91 8 14384.89 529.69 14096.57 669.02

Iris 51.27 6.25 52.96 8.37

خوشه بندي با استفاده از الگوريتم تكاملي مبتني بر اتوماتاي يادگير سلولي

77

)ب(

)الف(

-K با استفاده از Data 1نمودار مجموع فواصل بدست آمده براي ) الف (CLA-EC(LRP(0.1,0.1),1,1,5) و K-meansمقايسه بين ۱۰-۵ شكل means و CLA-EC(LRP(0.1,0.1),1,1, 5)نمودار مجموع فواصل بدست آمده براي ) ب. ( مرتبه اجراي مختلف مي باشد۵۰ درData 2 با

-CLAخط پيوسته براي . مرتبه اجراي مختلف مي باشد۵۰ در CLA-EC(LRP(0.1,0.1),1,1, 5) و K-meansاستفاده از EC(LRP(0.1,0.1),1,1, 5) و خط نقطه چين براي K-means مي باشد .

)ب(

)الف(-K با استفاده از Data 3نمودار مجموع فواصل بدست آمده براي ) الف (CLA-EC(LRP(0.1,0.1),1,1,5) و K-meansمقايسه بين ۱۱-۵ شكل

means و CLA-EC(LRP(0.1,0.1),1,1, 5) اصل بدست آمده براي نمودار مجموع فو) ب. ( مرتبه اجراي مختلف مي باشد۵۰ درData 4 با -CLAخط پيوسته براي . مرتبه اجراي مختلف مي باشد۵۰ در CLA-EC(LRP(0.1,0.1),1,1, 5) و K-meansاستفاده از

EC(LRP(0.1,0.1),1,1, 5) و خط نقطه چين براي K-means مي باشد .

خوشه بندي با استفاده از الگوريتم تكاملي مبتني بر اتوماتاي يادگير سلولي

78

)ب(

)الف(

-K با استفاده از Data 5نمودار مجموع فواصل بدست آمده براي ) الف (CLA-EC(LRP(0.1,0.1),1,1,5) و K-meansمقايسه بين ۱۲-۵ شكل means و CLA-EC(LRP(0.1,0.1),1,1, 5) نمودار مجموع فواصل بدست آمده براي ) ب. ( مرتبه اجراي مختلف مي باشد۵۰ درData 6 با

-CLAخط پيوسته براي . مرتبه اجراي مختلف مي باشد۵۰ در CLA-EC(LRP(0.1,0.1),1,1, 5) وK-meansاستفاده از EC(LRP(0.1,0.1),1,1, 5) و خط نقطه چين براي K-means مي باشد .

)ب(

)الف(

-K با استفاده از Data 7نمودار مجموع فواصل بدست آمده براي ) الف (CLA-EC(LRP(0.1,0.1),1,1,5) و K-meansمقايسه بين ۱۳-۵ شكل means و CLA-EC(LRP(0.1,0.1),1,1, 5) نمودار مجموع فواصل بدست آمده براي ) ب. ( مرتبه اجراي مختلف مي باشد۵۰ درData 8 با

-CLAخط پيوسته براي . تلف مي باشد مرتبه اجراي مخ۵۰ در CLA-EC(LRP(0.1,0.1),1,1, 5) و K-meansاستفاده از EC(LRP(0.1,0.1),1,1, 5) و خط نقطه چين براي K-means مي باشد .

خوشه بندي با استفاده از الگوريتم تكاملي مبتني بر اتوماتاي يادگير سلولي

79

.Data 8 براي داده CLA-EC(LRP(0.1,0.1),1,1,15) و K-means ،CLA-EC(LRP(0.1,0.1),1,1,5) اجراي ۵۰مقايسه نتايج ۱۴-۵ شكل

.IRIS براي داده CLA-EC(LRP(0.1,0.1),1,1,15) و K-means ،CLA-EC(LRP(0.1,0.1),1,1,5) اجراي ۵۰مقايسه نتايج ۱۵-۵ شكل

خوشه بندي با استفاده از الگوريتم تكاملي مبتني بر اتوماتاي يادگير سلولي

80

نتيجه گيري ٣‐٥

به . حل مساله خوشه بندي پرداختيم در٤در اين فصل از پايان نامه، به بررسي كاربرد الگوريتم تكاملي ارائه شده در فصل براي . به بهينه سازي آن پرداختيمCLA-ECمنظور حل مساله خوشه بندي در ابتدا يك تابع هزينه تعريف شده و سپس با استفاده از

k-meansريتم بعدي با استفاده از اين الگوريتم و الگو٤ بعدي و يك مجموعه ٢ مجموعه داده ٨بررسي كارايي الگوريتم ارائه شده، نتايج نشان داد كه كارايي الگوريتم پيشنهادي در اكثر موارد براي داده هاي . خوشه بندي شده و نتايج مورد مقايسه قرار گرفتند

. است k-meansآزمايشي بسيار بهتر از الگوريتم

تخصيص كانال در شبكه هاي سلولي سيار

81

هاي سلولي سيار در شبكهكانالتخصيص .٦

ابراتي به مکالمات در خواست شده در شبکه سلولي يکي از پيچيده ترين و از ميان مسائل مطرح شده تخصيص کانالهای مخبنا براين راه حل دقيق منطقي كه در . است١بغرنجحل مسئله تخصيص كانال به صورت دقيق يك مسئله . بحث برانگيزترين آنهاست

باند پهنايهاي سلولي سيار و محدوديت شبكه افزايش ترافيك بااز طرفي . زمان معقول به جواب دست پيدا كند فابل وصول نمي باشددر ادامه اين فصل . باشد روشهاي كارآمدتري براي تخصيص كانال، ضروري ميها، استفاده از شده به اين شبكه فركانسي اختصاص داده

شهاي تخصيص كانال وجود هاي متفاوتي براي رو بندي دسته. كنيم تعدادي از الگوريتمهاي پويا تخصيص كانال مطرح شده را معرفي ميكانالها، روشهاي تخصيص كانال را به سه كانالها در اين روشها قابل توجه است، بر اساس رويكرد جداسازي هم از آنجاييكه تاثير هم. دارد

.]34] شوند تقسيم مي4 و تخصيص کانال ترکيبي3، تخصيص کانال پويا2تخصيص کانال ثابت دسته،نرخ ورود درخواستها، مدت زمان هر مانند(اي در مورد شبكه اطالعات اوليهدر روش تخصيص كانال ثابت، با استفاده از

و بر طبق آن با در نظر گرفتن تخمين زده شده كانالهاي مورد نياز آن سلول را ، تعداد)تماس، تعداد كانالهاي مورد نياز هر درخواستدر اين روشها ايستگاه پايه هر سلول . شود مي اختصاص داده بصورت ثابت به آن سلول ت استفاده مجدد كانال ، تعدادي كانال قابلي

سازي پياده. كند دهي به درخواستهاي ايجاد شده در محدوده سلول خود استفاده مي شبكه، تنها از كانالهاي مختص خود براي سرويستوان در ترافيكهاي و نمي قابليت تطبيق با شرايط جديد را نداردامايچيدگي محاسباتي زيادي ندارد، اين روش بسيار ساده است و پ

چشمگيري كند،تغييرنسبت به زمان تخصيص اوليه كانالها در صورتيكه پارامترهاي شبكه در اين روشها . متغير از آن استفاده كرداجراي مجدد ( تنها راه بهبود وضعيت شبكه تخصيص مجدد كانالهاكه در اينحالت ،آيد ميكارايي شبكه به ميزان قابل توجهي پايين

.]34] است) الگوريتم تخصيص كانال ثابتها در اين روش. شود مياستفاده تخصيص كانال ثابت، از روشهاي پويا براي تخصيص كانال فوق در روشهايبراي رفع مشكل

با در نظر گرفتن تواند ايستگاه پايه هر سلول مي. باشند در دسترس و قابل استفاده ميبطور بالقوه در تمام سلولهاي شبكه تمام كانالها روشهاي تخصيص پويا نسبت به روشهاي تخصيص ثابت كانال .ي ورودي كانالي تخصيص دهدبه درخواستهاكانالها، ط عدم تداخل ايشر

.]34] قابليت سازگاري بيشتري با محيط دارند مقابلبيشتري برخوردارند ولي درسباتي محااز پيچيدگي هدف اين روش . آيد بوجود مي تركيبيروش تخصيص كانال با تركيب دو روش تخصيص كانال ثابت و پويا، روش ديگري بنام

در اين .باشد مي) سادگي روش تخصيص كانال ثابت و انعطاف پذيري روش تخصيص كانال پويا( گيري از مزيت دو روش فوق بهره و )تخصيص فركانس ثابت( شوند تخصيص داده ميثابت به سلولهاي شبكه صورت بكانالها از تعدادي ، در زمان طراحي شبكه،روش

بيني از تعداد درخواستهاي پيش در يك سلول تعداد درخواستهاشرايطي كهمثال در ( توان در زمان فعاليت شبكه را مي ديگر كانالها . ]127] ]34] )تخصيص كانال پويا(، بصورت پويا، به سلولهاي متقاضي تخصيص داد ) باشدشده بيشتر شده

در روشهاي متمركز، كانالها توسط يك . سازي نمود پياده6شده يا توزيع5توان بطور متمركز ل را ميروشهاي تخصيص كاناشده يا ايستگاه پايه سلول به درخواست ايجاد درحاليكه در روشهاي توزيع. شود كننده مركزي به درخواستها تخصيص داده مي كنترل

در سيستمهاي متمركز، ايستگاه . شود سط دستگاه سيار اين عمل انجام ميدهد و يا مستقال تو شده در آن سلول كانال تخصيص ميمانند تعداد (پايه هر سلول عالوه بر نگهداري اطالعات خود، با مبادله پيغامهاي كنترلي، اطالعات وضعيتي سلولهاي همسايه خود

خودمختار، دستگاه سيار كانال مورد نياز خود را بر در روشهاي توزيعي. را نيز ذخيره مي كند) كاربران و وضعيت استفاده از كانالها

1 NP-Complete

2 Fixed Channel Assignment 3 Dynamic Channel Assignment 4 Hybrid Channel Assignment 5 Centralized 6 Distributed

تخصيص كانال در شبكه هاي سلولي سيار

82

در ادامه، . باشد دهد، كه در نتيجه پيچيدگي اين روش بسيار كمتر از روش متمركز مي انجام ميCIRهاي محلي گيري اساس اندازه .تعدادي از روشهاي تخصيص كانال ثابت و پويا توضيح داده خواهد شد

تخصيص كانال ثابت ١‐ ٦

بطور دائمي تخصيص داده اي از كانالها مجموعهبه هر يك از سلولهاي شبكه ، FCAي تخصيص ثابت كانال در روشها پس از وگيرد صورت مياستفاده مجدد، با رعايت محدوديتهاي و عمل تخصيص كانال فقط يكبار در زمان طراحي سيستم .شوند مي

مختص تواند از كانالهاي هر سلول تنها ميايستگاه پايه . د تغيير نخواهند كردشون تخصيص كانال، كانالهايي كه در آن سلول استفاده مي . استفاده كندايجاد شده در محدوده آن سلولبه درخواستهاي دهي براي سرويسآن سلول،

د، شو رعايت ميشبكه سلوليدر مرحله طراحي استفاده مجدد، محدوديتهاي در روشهاي تخصيص ثابت كانال، از آنجاييكهتوان بدون انجام مجدد محاسبات تشخيص تداخل، از آن و ميشدهلذا هر كانال خالي در سلول بعنوان يك كانال مجاز شناخته

كند، هر چند كه در مرحله طراحي با محاسبات سنگين و بعبارت ديگر سيستمي كه از تخصيص كانال استفاده مي .استفاده كردبرداري براي سرويس دادن به درخواستهاي واقع در حوزه پوششي سلول فقط كانالهاي شروع بهرهطوالني درگير بوده است، اما پس از

شود كه در بين كانالهاي سلول بديهي است كه درخواست رسيده در صورتي سرويس داده مي. نمايد را بررسي مييمحدود و مشخص .مربوطه، كانال خالي وجود داشته باشد

از روشهاي گيري است، به اينكه ميزان درخواستها تا حد قابل قبولي قابل پيشبيني و اندازه با توجهكوچكدر سيستمهاي بر بودن اجراي مجدد الگوريتم تخصيص هايي كه ترافيك متغير است، بعلت هزينه اما در شبكه.شود تخصيص ثابت كانال استفاده مي

مثال در سيستمي كه چگالي ترافيك در سلولهاي شبكه . باشد ب نميكانال براي كل سيستم در ازاي تغييرات سيستم، اين روش مناسهاي زيادي متوقف خواهند شد در حاليكه ممكن است در سلولها مجاور آنها ثابت يا يكنواخت نيست، در برخي از سلولها درخواست

يا روشي بنام قرض ]97] ]144] 1براي بر طرف كردن مشكل فوق از تخصيص كانال غير يكنواخت. كانالهاي آزاد وجود داشته باشد . شود استفاده مي]26] ]6] 2كردن

تعداد كانالهاي تخصيص داده شده به هر سلول با ترافيكي تخمين زده شده براي كانال غير يكنواخت، تخصيص در روشهاي بدين صورت كه سلولهاي با بار ترافيكي سنگين تعداد كانالهاي بيشتري نسبت به سلولهاي با بار ترافيكي . باشد آن سلول متناسب مي الگوريتمي براي تخصيص كانال ارائه شده است كه با توجه به توزيع بار ترافيك، كانالهاي شبكه را به ]144] در . سبك خواهند داشتدهد كه احتمال رد درخواستها با استفاده از اين الگوريتم، همواره كمتر از اين سازي نشان مي نتايج شبيه. دهد سلولها تخصيص مي .]144] باشد خصيص يكنواخت كانال ميمقدار در الگوريتمي ت

در روشهاي قرض دادن كانال، كانالهاي آزاد از سلولهايي كه ترافيك كمي دارند، با رعايت شرايط استفاده مجدد، به سلولهايي گردد كه نتوان از كانال قرض داده شده در سلولهايي قرض دادن يك كانال، موجب مي. ]34] شوند با بار ترافيكي سنگين، قرض داده مي

دادن ساده، هر در قرض. شوند تقسيم ميقرض دادن تركيبي و قرض دادن سادهروشهاي قرض دادن به دو گروه . از شبكه استفاده كردولي در روش . استفاده مجدد قرار دارند، قرض داده شود اي بيشتر از فاصله ه كه در فاصلهتواند به سلولهاي همساي كانال در سلول مي

و ) فقط متعلق به آن سلول و غير قابل قرض دادن(قرض دادن تركيبي كانالهاي تخصيص داده شده به هر سلول به دو دسته كانال ثابت . شوند كانالهاي قابل قرض دادن تقسيم مي

تخصيص كانال پويا ٢‐ ٦

1 Non-Uniform channel allocation 2 Borrowing

تخصيص كانال در شبكه هاي سلولي سيار

83

هيچگونه مالكيت دائمي و بستگي هميشگي بين ،در روشهاي تخصيص كانال پويا بر خالف روشهاي تخصيص كانال ثابتتواند هر هر سلول مي ايستگاه پايه،استفاده مجدد از كانالها با در نظر گرفتن محدوديتهاي در اين روشها.سلولها و كانالها وجود ندارد

ي كانالهادر واقع در اين دسته از روشهاي تخصيص كانال، .به درخواست ورودي به آن سلول، تخصيص دهدا از كانالهاي شبكه ريكانالبهمين . گسيل شوندي كه ترافيك در آنها سنگين است،توانند به سمت سلولهاي مانند يك سيال در سطح سلولها شناورند و ميشبكه

اي و متغير دارند هايي كه ترافيك لحظه در شبكهبهمين دليل و دهنديكي تطبيق با تغييرات ترافتوانند خود را ميدليل اين روشها .عملكرد خوبي خواهند داشت

رابطه موجود بين دو مجموعه . شود در زمان فعاليت شبكه انجام مي كانال، تخصيص در روشهاي تخصيص كانال پويا، فرايندپايان درخواست، خاتمه شروع يك ارتباط، مانندشود كه با پيشامدهايي يسلولها و كانالها در هر لحظه يك حالت سيستم تعريف م

هر تغيير حالت سيستم بايد با هاي متمركز، سازي در پياده.كند تغيير ميايجاد يك درخواست تحويل كانال، يك ارتباط و يا 1اجباريتوانند در داخل هاست كه ميگر كنترلاي از ه مجموعه اين كار بر عهدشده در يك سيستم توزيعاما ( مركزي صورت گيردنظارت كنترل

تمام ارتباطات شبكه آگاهي داشته باشد تا بتواند تمام وضعيتاين واحد بايد از . .)ايستگاههاي پايه سلولها نيز قرار داشته باشند بنابراين.ا بصورت پويا پاسخ دهداز جمله بتواند درخواستهاي جديد و درخواستهاي تعويض سلول ر. پيشامدهاي محتمل را هدايت كند

.، لذا بايد از توان و سرعت بااليي برخوردار باشددهد ميانجام را حجم سنگيني از محاسبات واحد كنترل مركزيكانالهايي كه شرايط استفاده مجدد را در سلول ( از ميان كانالهاي مجاز تابع هزينه يا جريمه با استفاده از يكدر اين روشها

تفاوت روشهاي تخصيص كانال پويا، ناشي .گردد نال مجاز متناظر با كمترين هزينه يا جريمه انتخاب ميا ك)كنند نظر برآورده ميمورد ولهاي همسايه، فاصله استفاده تابع هزينه ممكن است به عواملي مانند احتمال رد درخواستها در سل. ]22] باشد هر يك مي از تابع هزينه

.]128] مجدد و يا ميانگين احتمال رد درخواستها در سلولهاي شبكه، وابسته باشد و تخصيص كانال پويامتمركز شهاي سازي آنها در شبكه، به دو دسته رو با توجه به نحوه پيادهروشهاي تخصيص كانال پويا

توانند جوابي نزديك به جواب بهينه روشهاي متمركز تخصيص كانال پويا مي. شوند تقسيم ميتخصيص كانال پوياشده توزيعوشهاي رولي پيچيدگي و هزينه باالي اين روشها، موجب محدوديت استفاده از اين روشها در سيستمهاي . مساله تخصيص كانال ارائه دهند

شده تخصيص كانال پويا براي ارائه پاسخي نزديك به جواب بهينه مساله تخصيص كانال، اطالعات يعدر روشهاي توز. شود واقعي مياين حجم اطالعات كنترلي تبادل شده، باعث اتالف پهناي باند . شود كنترلي زيادي بين ايستگاههاي پايه سلولهاي شبكه تبادل مي

.دهد كه را كاهش ميارتباطي بين ايستگاههاي پايه شده و در نتيجه كارايي شب

پويا تخصيص كانالمتمركزروشهاي ١‐٢‐٦

تفاوت بين روشهاي .گيرد كانال توسط يك كنترل كننده مركزي انجام ميتخصيصكانال پويا، در روشهاي متمركز تخصيصدر ادامه تعدادي از . ندكن است كه براي انتخاب كانال استفاده مي) جريمه(اي متمركز تخصيص كانال پويا ناشي از انتخاب تابع هزينه

.شوند روشهاي متمركز تخصيص كانال پويا معرفي مي در بسياري از اما، باشد ميترين روشهاي تخصيص كانال پويا سادهاز 2روش نخستين امكانه تخصيص كانال پويا ب

و به درخواست ورودي تخصيص داده انتخاب مجاز، آزاد كانالهاي از مياندر اين روش نخستين كانال . كاربردها كارآيي قابل قبولي دارددهد كه با استفاده از اين روش در يك شبكه سلولي خطي عالوه بر كمينه شدن نشان مي]22] سازيهاي انجام شده در شبيه.شود مي

. شود اي شبكه سرويس داده ميبه درخواستهبيشتر از روش تخصيص ثابت كانال % ۲۰زمان محاسبه، باشد و بصورت زير عمل مي كمينه كردن فاصله استفاده مجدد ، هدف،3روش نزديكترين همسايهه تخصيص كانال پويا بدر

اكنون در فاصله كمتري از سلول فعلي قرار داشته گردد كه هم كانال مجازي انتخاب ميبراي تخصيص كانال به هر درخواست، . كند مي

1 Forced termination 2 First Available (FA) 3 Nearest Neighbor

تخصيص كانال در شبكه هاي سلولي سيار

84

در صورتيكه .) بين دو كانال يكسان بايد حفظ شوداستفاده مجدد د و حداقل فاصله ددر هر صورت عدم تداخل بايد بررسي گر.(باشد. شود اين وضعيت براي چندين كانال مجاز بطور يكسان وجود داشته باشد، اولين كانال مجاز موجود در اين مجموعه انتخاب مي

مورد استفاده ي كهشود و از كانالهاي مجاز در حال استفاده هستند، اولويت باالتري داده ميهمچنين به كانالهاي مجازي كه بيشتر .]22] گردد تر استفاده مي اند در شرايط بحراني قرار نگرفته

از بيشتريك واحد اي اي مجازي كه در فاصله از ميان كاناله،ه بعالوه يكنزديكترين همسايروش ه تخصيص كانال پويا بدر شود كه در فاصله كمتري از سلول فعلي مورد استفاده قرار شوند، اولين كانال مجازي انتخاب مي فاصله استفاده مجدد كانال استفاده مي

اولين كانال مجازي انتخاب روش نزديكترين همسايهبا استفاده از ،در صورت عدم موفقيت در اين مرحله، در مرحله دوم. گرفته استدر اين روش نيز همانند روش نزديكترين همسايه، در شرايط . شود اكنون در فاصله كمتري از سلول فعلي استفاده مي گردد كه هم مي

، كانال تخصيص كانال پويا بروش ميانگين مربع در .]22] شود كه بيشتر مورد استفاده قرار گرفته باشد يكسان كانال مجازي انتخاب مي .]22] كنند را كمينه كند گردد كه ميانگين مربعي فاصله سلولهايي كه كانال مشابه را استفاده مي آزادي انتخاب مي

از يك تابع هزينه و بر اساس احتمال رد درخواستها در سلولهاي با استفادهسازي محلي روش بهينهه تخصيص كانال پويا بدر دهد كه احتمال رد نشان مي]143] سازي اين روش در نتايج شبيه. دهد همسايه، به درخواستهاي ورودي كانال تخصيص مي

.باشد تر مي از اين روش كمBDCLدرخواستها با استفاده از روش و بعد از آن بترتيب NNدهد كه در ترافيكهاي سبك روش نزديكترين همسايه هاي انجام شده نشان مي سازي نتايج شبيه

كمترين مقدار احتمال رد درخواستها را NN+1 و نزديكترين همسايه بعالوه يك FA، نخستين امكان MSQروشهاي ميانگين مربع و MSQ، ميانگين مربع NN، نزديكترين همسايهNN+1روش نزديكترين همسايه بعالوه يك همچنين بترتيب . كنند ايجاد مي

.، كمترين مقدار احتمال قطع درخواستهاي تحويل كانال را دارندFAنخستين امكان

پوياشده تخصيص كانال توزيعروشهاي ٢‐٢‐٦

براي انتخاب يك كانال مجاز و تخصيص آن شده تخصيص كانال پويا، از اطالعات محلي كانالهاي هر سلول در روشهاي توزيعاي كه درخواست در محدوده سلول آن آغاز همانند روشهاي متمركز، كانال توسط ايستگاه پايه. شود استفاده ميبه درخواست ورودي

براي تخصيص كانال و دارد مي شود با اين تفاوت كه در اين روش هر سلول اطالعات كانالهاي خود را نگه شده است، اختصاص داده مي ويژهاين روش ب. شود اطالعات كانالها با استفاده از تبادل اطالعات بين ايستگاههاي پايه سلولها بروز مي. كند از اين اطالعات استفاده مي

. خواهد داشت نسبتا خوبي كاراييدر هنگاميكه شبكه تحت ترافيك بااليي قرار دارد ]51] باشند دسته نخست، روشهاي مبتني بر سلول مي. شوند به دو دسته تقسيم ميشده تخصيص كانال پويا روشهاي توزيع

لول بر اساس اطالعات محلي سلولهاي همسايه خود و كانالهاي موجود در آنها در روشهاي مبتني بر سلول، ايستگاه پايه س. ]98] ]99] در اين روشها، اطالعات وضعيتي استفاده از كانالها در سلولها همسايه هر سلول، با مبادله اين اطالعات بين . كند گيري مي تصميم

ي از تبادل اطالعات وضعيتي سلولهاي شبكه، تخصيص روشهاي مبتني بر سلول با تحمل هزينه ناش. شوند ايستگاههاي پايه بروز ميگيري توان اندازهشده تخصيص كانال پويا، بر اساس دسته دوم روشهاي توزيع. كنند كانالي نزديك به تخصيص كانال بهينه ارائه مي

استفاده ) اير ايستگاههاي پايهبدون ارتباط با س(سلول ، ايستگاه پايه تنها از اطالعات محلي در اين روشها. كنند مي عمل1سيگنالبست و عدم پايداري دهند اما احتمال ايجاد توقف ، بن با اينكه اين روشها امكان پردازش بالدرنگ سريعي را در اختيار قرار مي. كند مي

.سيستم در آنها وجود دارد

تخصيص كانال فازي ١‐٢‐٢‐ ٦

1 Signal strength measurements

تخصيص كانال در شبكه هاي سلولي سيار

85

توان از راهكارهاي فازي يت انطباق آن با شرايط مختلف، ميبدليل توانايي تئوري فازي در پردازش اطالعات غير دقيق و قابل با ارائه يك الگوريتم جديد مبتني بر اتوماتاي سلولي فازي براي حل ]۱۴۵[ در . هاي سلولي استفاده كرد براي افزايش ظرفيت شبكه

نتايج . كند بهتر عمل مي]۱۴۵[ ت به ساير الگوريتمهاي فازي تخصيص كانال مساله تخصيص كانال ارائه شده است كه نسبهاي فازي، كه تا هاي كالسيك و ساير الگوريتم شده نشان داد كه نرخ توقف در اين الگوريتم نسبت به الگوريتم هاي انجام سازي شبيه

.تر است ييناند، پا كنون معرفي شدهاست به عنوان يک اتوماتاي سلولي دو بعدي سلولي که به سلولهايي تقسيم شده در اين الگوريتم ناحيه تحت پوشش شبكه

ايستگاه پايه قرار گرفته در هر سلول به عنوان پردازشگر آن سلول است که در آن، شرايط حاکم بر سلول، . شود در نظر گرفته مي. باشند همسايگان يک سلول، سلولهايي هستند که با آن متداخل مي. گردد تقال محلي اتوماتا نگهداري ميهمسايگانش و توابع ان

، کليه iبا تخصيص يا آزاد شدن يك کانال در سلول . بعبارت ديگر شعاع همسايگي اتوماتا برابر حداقل فاصله استفاده مجدد کانال است . دهند تغيير وضعيت ميiسلولهاي همسايه سلول

با توجه به گرمي. كند را بترتيب براي هر سلول و هر كانال در هر سلول، تعريف مي2امكان و 1گرمياين روش دو پارامتر . شود تعريف مياش نسبت ترافيک هر سلول به ميانگين ترافيک سلولهاي همسايگي خود و بصورت وضعيت ترافيک سلول در همسايگي

اين مقدار با استفاده از توابع عضويت فازي . ول نيز متاثر از فاصله استفاده مجدد اين کانال است تخصيص يك كانال در يك سلامكانپس از تعيين اين دو . شود انتخاب ميfeasibilityبراي کليه کانالها اين مقدار محاسبه شده و کانال با باالترين مقدار . شود تعيين مي

در . شود گيري مي استفاده از قوانين استنتاج فازي ارائه شده، نسبت به تخصيص كانال تصميمپارامتر، بايد با توجه به شرايط سلول و بانامه با بررسي دقيق كانالهاي اما الگوريتمهاي پيشنهادي در اين پايان. كانالها در شبكه وجود دارد اين الگوريتم امكان رخداد تداخل هم . كنند شبكه جلوگيري ميكانالها در شبكه در هر سلول از بروز تداخل هم

روش تفكيك كانال ٢‐٢‐٢‐ ٦

در اين روش ايستگاه پايه هر سلول با پيمايش . باشد براي تخصيص كانال پويا مي٤، روشي خودسازمانده٣روش تفكيك كانال ديگر و بر ترتيب پيمايش در هر سلول مستقل از سلولهاي. كند ميكليه كانالهاي شبكه، يك كانال را با رعايت شرط تداخل انتخاب

. دارد مي نگهiP)(، يك مقدارiهر سلول براي هر كانال شبكه مانند. گردد مشخص ميiP)(اساس بردار احتمال انتخاب كانالسپس شرط تداخل براي . شود را دارد، انتخاب ميiP)(رسد، كانالي كه بيشترين مقدار هنگاميكه يك درخواست به ايستگاه پايه مي

در صورت برقرار بودن شرط تداخل، كانال انتخاب شده به درخواست ورودي تخصيص داده شده و . گردد كانال انتخاب شده بررسي مياده كرد، احتمال انتخاب آن كاهش يافته و اما در صورتيكه نتوان از كانال فوق در اين سلول استف. يابد احتمال انتخاب آن افزايش مي نتايج بدست .گردد اگر نتوان از هيچ كانالي در اين سلول استفاده كرد، درخواست رسيده رد مي. گردد كانال با اولويت بعدي بررسي مي

اما از آنجاييكه رسد، مي٥دهد كه اين روش بسرعت به يك تخصيص كانال نسبتا بهينه هاي كامپيوتري نشان مي سازي آمده از شبيههاي نسبتا بهينه زيادي براي هر سلول وجود دارند، دست يافتن به تخصيص بهينه كلي مستلزم صرف مدت زمان نسبتا تخصيص

.]34] طوالني است

روش تخصيص كانال با استفاده از يادگيري تقويتي ٣‐٢‐٢‐ ٦

1 Hotness 2 Feasibility 3 Channel segregation 4 Self organized 5 Suboptimal

تخصيص كانال در شبكه هاي سلولي سيار

86

، مسالة تخصيص كانال بصورت يك مسالة برنامه نويسي پويا مطرح و از يك روش يادگيري تقويتي براي حل آن ]121] در توان كه مي( در هنگام ورود يك درخواست، پايان يك ارتباط يا در زمان تحويل كانال ١در اين روش گذار وضعيت. استفاده شده است

با هر تغيير . شود انجام مي) رت پايان يك ارتباط در سلول مبدا و ايجاد يك درخواست جديد در سلول مقصد در نظر گرفتآنرا بصووضعيت با استفاده از ليست كانالهاي آزاد و مشغول در كليه سلولهاي شبكه و رخدادي كه موجب تغيير وضعيت شده است،

دن يك درخواست به ايستگاه پايه سلول، تركيب بعدي براي هر يك از كانالهاي قابل با رسي. گردد گيري بصورت زير انجام مي تصميمدر . شود استفاده در آن سلول ارزيابي شده و كانالي كه بزرگترين مقدار تخميني را داشته باشد به درخواست ورودي تخصيص داده مي

يابد، هر يك از هنگاميكه يك ارتباط پايان مي. گردد رد ميصورتيكه هيچ كانال آزادي در سلول وجود نداشته باشد، درخواست مذكورتعويض كانال آن ارتباط با كانال ارتباطي (٢ارتباطات در حال انجام در آن سلول بعنوان يك ارتباط مناسب براي تخصيص مجدد كانال

عمل تخصيص مجدد كانال انجام نگيرد گردند و نتيجه پيكربندي هر يك ارزيابي شده، با حالتي كه فرض مي) كه خاتمه يافته استسپس پيكربندي كه بيشترين مقدار ارزيابي شده را دارد، انتخاب و عمل تخصيص مجدد كانال با هدف ايجاد يك . شود مقايسه مي

، ]121] كند هر چند اين روش نسبت به روشهاي گزارش شده تخصيص كانال پويا بهتر عمل مي. شود تر، انجام مي الگوي كانال مطلوب .گردد اما بعلت وجود مكانيزم تخصيص مجدد كانال باعث افزايش بار محاسباتي شبكه مي

مقايسه روشهاي تخصيص كانال ثابت و پويا ٣‐٢‐ ٦

ال رابطه عكس الگوريتمهاي تخصيص كان)سازي پياده پيچيدگيو (پيچيدگي محاسباتي و بطور كلي بين كيفيت سرويس روشهاي تخصيص كانال پويا در ترافيكهاي سبك بهتر از است كه ها و تحليل نتايج آزمايشهاي عملي نشان داده سازي شبيه. وجود دارد

كه روشهاي اصالح شده تخصيص كانال ثابت بدليل تضمين برابري فاصله استفاده در حالي. كنند روشهاي تخصيص كانال ثابت عمل مي .]55] ]39] دهند ها، در بارهاي ترافيكي سنگين عملكرد بهتري نشان مي کانال ل با حداقل فاصله هممجدد کانا

بهينهبه تخصيص كانال نال ثابت، روشهاي تخصيص كانال پويا نسبت به روشهاي تخصيص كا دركانالهاي سيستماستفاده از ممكن حين كار شبكه شوند، بنابراين در به سلولها اختصاص داده ميشبكهدر روشهاي ثابت كانالها قبل از شروع كار . استتر نزديكود داشته كانال خالي درخواستها متوقف شوند، در حاليكه در سلول همسايه آن كانال خالي مجاز وجداشتنيك سلول بعلت ندر است . در صورتيكه با استفاده از روشهاي تخصيص كانال پويا كانالها ثابت نخواهند بود و چنين حالتي ايجاد نخواهد شد.باشد

از آنجاييكه برقراري درخواست سرويس از يك سلول به سلول ديگر يك فرايند تصادفي است، كانالهايي هم كه توسط روش ها سلولهايي كه كانالهاي يكسان را قرض بعلت ماهيت تصادفي اين تخصيص. تصادفي خواهند بوديابند نيز بصورت پويا اختصاص مي

در مقابل در روشهاي تخصيص كانال ثابت، . اي بيش از حداقل فاصله استفاده مجدد كانال قرار دارند گيرند، بطور متوسط در فاصله ميبهمين . ولهايي كه در فاصله استفاده مجدد از هم هستند تخصيص داده شوندتوانند به سل كانالها بدون اينكه تداخلي بوجود آيد مي

)۱-۶ شكل(.كنند پويا عمل ميروشهاي علت روشهاي تخصيص كانال ثابت در شرايط كاري بار زياد بهتر از

1 State transition 2 Channel reassignment

تخصيص كانال در شبكه هاي سلولي سيار

87

مقايسه كارايي روشهاي تخصيص کانال ثابت و پويا در چگاليهاي متفاوت ترافيك ۱-۶ شكل

ا كه در سلول چر رد، بايد درخواست را به كانال ديگري منتقل كزمان تحويل كانالدر روشهاي تخصيص كانال ثابت در

نال را به درخواست كننده اختصاص داد و در كاهمان توان اما در روشهاي تخصيص كانال پويا مي. مجاور كانال مشابه وجود ندارددر روشهاي تخصيص كانال پويا براي هر درخواست نياز به انجام يكسري محاسبات وجود .نتيجه نيازي به تعويض كانال وجود ندارد

اسخ سيستم به دارد و همين امر باعث گرديده است تا از پردازشگرهاي سريع براي اين روش استفاده شود در غير اينصورت زمان پ روشهاي تخصيص كانال پويا بعلت نياز به انجام محاسبات بر اين عالوه.شود رود و اين كار با تأخير انجام مي درخواستها بشدت باال مي

اينكه با توجه به .هاي دقيق تري دارند تري برخوردارند و نياز به بررسي تر و مشكل سازي پيچيده سنگين در مدت زمان كوتاه، از پيادهسازي اين شود، پياده در روشهاي تخصيص كانال ثابت، انجام محاسبات اصلي فقط يكبار و آن هم در زمان طراحي سيستم انجام مي

شده توزيع روشهاي تخصيص كانال پويا نيز بعلت محاسبات سنگين، براي سيستمهاي. تر است روش در سيستمهاي متمركز مناسبهاي سلولي سيار با ترافيك چند نرخي بعلت ماهيت پوياي ترافيك آنها، استفاده از روشهاي پويا ر شبكه همچنين د.شوند پيشنهاد مي

.باشد تر مي برا ي تخصيص كانالهاي راديويي مناسب .است شدهدهور آ١-٦ جدول در تخصيص كانال ثابت و تخصيص كانال پويااي از مقايسه عملكرد روشهاي خالصه

مقايسه عملکرد روشهاي تخصيص کانال ثابت و پويا ۱-۶ جدول

تخصيص كانال ثابت تخصيص كانال پويا عملكرد بهتر در بارهاي ترافيك سنگين ‐ متوسط/ عملكرد بهتر در بارهاي ترافيك سبك ‐ پذيري كم عطافان ‐ پذيري زياد انعطاف ‐ حساس به تغييرات زماني و مكاني ترافيك ‐ عدم حساسيت به تغييرات زماني و مكاني ترافيك ‐كم تا متوسط قطع درخواستهاي تحويل احتمال ‐

كانال احتمال زياد قطع درخواستهاي تحويل كانال ‐

هاي ميكروسلولي مناسب براي سيستم ‐ پذيري زياد انعطاف ‐ ميزان محاسبات زياد ‐ خير متوسط تا زياد در زمان تخصيص كانالتا ‐ سازي متوسط تا زياد پيچيدگي پياده ‐ تعداد زيادي پيغامهاي كنترلي ‐ شده با توجه به روش كنترل متمركز و توزيع ‐

هاي بزرگ مناسب براي سيستم ‐ پذيري كم انعطاف ‐ پيچيدگي محاسبات كم ‐ تاخير كم در زمان تخصيص كانال ‐ سازي كم پيچيدگي پياده ‐ داد كمي پيغامهاي كنترلي تع ‐ كنترل متمركز ‐

الگوريتمهاي پيشنهادي تخصيص كانال

88

الگوريتمهاي پيشنهادي تخصيص كانال .٧

. پيدايش شبكه هاي راديويي سلولي و گسترش سريع آنها يك تحول مهم در زمينه ارتياطات سيار بي سيم به شمار مي رود اهميت تخصيص منابع موجود در اين شبكه ها افزايش روز افزون درخواست براي خدمات گوناگون در اين شبكه ها سبب شده است تا

از اين رو استفاده از تكنيكهايي كه با استفاده از آنها امكان استفاده بهتر از طيف فركانسي . يش از پيش آشكار شودببه صورت بهينه سلول شبكه سلولي انتساب در تخصيص كانال، كانالها به گونه اي بهينه به هر . اين شبكه ها بوجود بيايد بسيار حائض اهميت است

روشهاي تخصيص كانال به دو دسته تخصيص كانال ثابت و . داده مي شوند كه محدوديتهاي سازگاري الكترومغناطيسي رعايت شوند در مورد شبكه تخمين زده شده اند به صورت در تقسيم كانال ثابت، كانالها بر اساس معيارهايي كه قبال. ]58] پويا تقسيم مي شوند

در حاليكه در تخصيص كانال پويا، كانالها به صورت پويا با رسيدن درخواست مكالمه واگذار . دائمي به سلولها تخصيص داده مي شونداراتر از تخصيص ثابت عمل در مواردي كه توزيع ترافيك شبكه ناشناخته يا متغير با زمان باشد، تخصيص كانال پويا بسيار ك. مي شونداما در مقابل ايراد اساسي تخصيص پوياي كانال پيچيدگي مكانيزم تخصيص و باال بودن حجم باالي كنترل مورد نياز مي . مي كند .]22] باشد

کاهش انسداد مکالمات و کاهش هزينه شبکه دنبال در الگوريتمهای تخصيص کانال در شبکه سلولي مخابراتي دو هدف عمدهدر اکثر الگوريتمهايي که تا . از ديگری دور مي شويم،اين دو هدف در دادو ستد با يکديگر بوده و معموال با بهبود يکي از آنها. مي شود

حريزی شبکه و نسب تجهيزات فيزيکي کنون ارائه شده اند تنها هدف اول مورد توجه واقع شده اند و مسئله هزينه تنها در هنگام طراز طرفي يکي از روشهايي که بوسيله آن هزينه شبکه کاهش مي يابد، کاهش پيغامهای کنترلي بروی شبکه مي . بررسي شده است

بنابراين اکثر محققان در حال حاضر سعي دارند تا در طراحي سيستمهای تخصيص منابع بروی شبکه موبايل هر دو موضوع را . باشدبه عبارت ديگر در طراحي الگوريتمهای جديد، توزيع پذيری، استقالل الگوريتمهای اجرا شده بروی ايستگاهها، . مورد توجه قرار دهند

به نظر مي رسد با . استفاده از اطالعات محلي و کاهش پيغامهای کنترلي در بهمراه کاهش رد و قطع مکالمات شبکه مورد توجه استل الگوريتمهای اجرا شده بروی شبکه، کاهش حجم پيغامها و کاهش نرخ رد و قطع مکالمات، مدلسازی توزيع توجه به مسئله استقال

استفاده از تکنيکهای يادگيری ماشين تجارب گذشته يکي از ابزارهای مدلسازی .شده با استفاده از تجربه های گذشته سودمند باشد .ای ياگيری ماشين در حل مسائل تخصيص کانال گشوده شده استاست اخيرا زمينه تحقيقاتي در استفاده از تکنيکه

با توجه به ماهيت تصادفي ترافيک در شبکه سلولي مخابراتي و به منظور دستيابي به توزيع پذيري، محلي بودن ارتباطات و کاهش با توجه به ويژگي ارتباطات محلي و . شداحتمال رد و قطع مکالمات استفاده از مدلهای يادگيری تقويتي توزيع شده مي تواند راه گشا با

شکل توپولوژيکي شبکه سلولي مخابراتي که به فرم اتوماتای سلولي مي باشد و با توجه به اينکه مدل کردن پارامترهاي ترافيکي شبکه ارا مي باشد، به نظر و کارايي سرويس دهي در سلولهای شبکه مخابراتي به صورت تطبيقي از داليل ارائه الگوريتمهای تخصيص کانال ک

پيشنهاديهاي الگوريتمهدف . مي رسد اتوماتای يادگيرنده سلولي مدلي مناسب برای ارائه الگوريتمهای جديد تخصيص کانال مي باشددر اين مقاله، تخصيص كانال به درخواستهاي ورودي است، بنحوي كه در درجه اول احتمال رد درخواستهاي شبكه كمينه گردد و در

. هاي پايه هر سلول و همچنين تعداد پيغامهاي تبادل شده بين ايستگاههاي پايه نيز به حداقل برسد دوم بار تحميلي بر ايستگاهدرجه .باشد مي) درخواستهاي جديد و ميانگين مدت زمان مكالمهورودمانند نرخ (ويژگي اين الگوريتمها، عدم اطالع از بار ترافيكي شبكه

فرضيات شبكه سلولي ١‐ ٧

nاي از در اين شبكه مجموعه. می باشدAMPSشبكه سلولي مخابراتي در نظر گرفته شده در اين مقاله بر اساس استاندارد در تمام . تخصيص داده شده استm تا ١ كانال mاي از به اين شبكه مجموعه. چيده شده اند١سلول به فرم شش ضلعي مطابق شكل به جز مواردي که در ابتدا يک الگوی قطعي استفاده از کانالها ( كانال مذكور وجود دارد m يك از سلولهاي شبكه امكان استفاده از هر

الگوريتمهاي پيشنهادي تخصيص كانال

89

nnC 1براي شبكه يك ماتريس متقارن محدوديت). به سلولها تخصيص داده شود حداقل فاصله بين دو كانال ijc تعريف شده است كه×nnDماتريس . باشد در حال استفاده ميj و ديگري در سلول i كه يكي در سلول ديگري نيز براي نشان دادن فواصل سلولهاي وجود ×

ال توان هر دو محدوديت استفاده مجدد كان ميCبا در نظر گرفتن ماتريس . باشد ميj و سلول i فاصله بين سلول ijdبطوريكه. دارد 2سلول همj و i باشد، سلول ijc=0اگر . را در مساله تخصيص كانال در نظر گرفت) تداخل هم كانالها و تداخل كانالهاي همسايه(

باشد، محدوديت ijc=1اگر. توان كانال مفروض را در دو سلول بدون ايجاد تداخل، بطور همزمان، استفاده كرد شوند و مي محسوب مي. بين دو سلول وجود دارد3 باشد، محدوديت کانالهای همسايهijc<1در حالتيكه . وجود داردj و iکانالها در دو سلول استفاده از هم

در f درصورتيكه كانال .استفاده شده است» ٥كانال قابل استفاده«و » ٤كانال آزاد«براي بيان بهتر الگوريتمهاي پيشنهادي دو اصطالح يك كانال آزاد باشد و در عين fاگر كانال . شود به هيچ درخواست فعالي تخصيص داده نشده باشد، يك كانال آزاد ناميده ميiسلول

در نيز يك كانال آزاد باشد، يك كانال قابل استفاده ) تا شعاع حداقل فاصله استفاده مجدد (jحال در كليه سلولهاي همسايه سلول .شود گفته ميiسلول

) m (٧٠شبكه داراي . مورد ازمايش قرار مي گيرند) n( سلول ٤٩الگوريتمهاي ارئه شده بر روي يك شبكه سلولي شامل در اين شبكه ترافيك سلولي بر . شبكه تك نرخي بوده و براي برقراري هر مكالمه دقيقا يك كانال الزم و كافي است. كانال مي باشدبار ترافيكي حاصلضرب ميانگين زمان مكالمه در ميانگين نرخ . تعداد مكالمات و تعداد كانالها موجود تعريف مي شوداساس مجموع

نرخ ورود، تعداد مكالمات در واحد . ورود و ميانگين زمان مكالمه، ميانگين زمان مكالمه براي هر كاربر در هر تماس تلفني مي باشديك ارالنگ تعداد كانالهاي اشغال شده به صورت مستمر در طول يك . نگ اندازه گيري مي شودواحد بار شبكه با ارال. زماني است

به عبارت ديگر تعداد . در مدل مورد نظر ما، در خواست مكالمات بر اساس يك فرايند پواسون توليد مي شود. ساعت را نشان مي دهد .مان هر مكالمه يك متغير تصادفي با توزيع نمايي به فرم زير استمدت ز. درخواست مكالمات يك متغيرتصادفي با توزيع پواسن است

⎩⎨⎧ ≥−

=otherwisexbxb

xf0

0)exp()( )١‐٧(

. ميانگين زمان مكالمه استbبه طوريكه

در يك شبكه سلولي ترافيك مي تواند به صورت مساوي بين تمام سلولها تقسيم شده باشد كه در اين صورت ترافيك از نوع ي تواند به صورت غير مساوي بين سلولها تقسيم شده باشد كه در اين صورت آن را ترافيك غير يكنواخت مي يكنواخت است و يا م

اعداد داخل سلولها . ]۱۱[ استفاده میشود) ب‐١شكل (و ) الف‐١شكل (در اين مقاله از ترافيك غير يكنواخت طبق الگوهای . ناميمگردد، تخصيص كانال را تنها با در هايي تخصيص كانالي كه در اين مقاله پيشنهاد ميروش. نشان دهنده نرخ ورود پواسون اوليه است

.كنند پوشي مي چشمتداخل كانالهاي همسايهدهند و از ها انجام مي كانال نظر گرفتن تاثير هم

⎪⎩

⎪⎨

⎧

≤

>=

)(1

)(0

min

min

Ddif

Ddifc

ij

ij

ij

1 Constraint matrix 2 Co-Cell 3 Adjacent channel constraint

4 Free 5 Available

الگوريتمهاي پيشنهادي تخصيص كانال

90

)الف(

)ب(

الگوي دوم) ب(الگوي يك ) الف(توزيع ترافيكي غير يكنواخت ۱-۷ شكل

الگوريتمهاي پيشنهادي ٢‐ ٧

با در نظر گرفتن اين فرضيات در ادامه اين فصل بر مبناي اتوماتاي يادگير سلولي چندين الگوريتم تخصيص كانال را ارائه مي عيين اولويت، قرض گيري و الگوريتمهاي تعيين الگوي تخصيص الگوريتم هاي ارائه شده به سه دسته الگوريتمهاي مبتني بر ت. دهيم

. در ادامه اين فصل به شرح هر كدام از اين دسته ها مي پردازيم. دسته بندي شده اند

الگوريتمهاي پيشنهادي تخصيص كانال

91

الگوريتم تخصيص كانال با استفاده از تعيين اولويت كانال ١‐ ٢‐ ٧ )Algorithm 1(ت يك الگوريتم تعيين اولوي ١‐١‐٢‐٧

اتوماتاييك fمفروض به ازاي هر كانال iشبكه مانند سلول ايستگاه پايه يك ،پوياي كانالتخصيص الگوريتماين در ابتدا تمام كانالهاي،iبا ورود يك درخواست به ايستگاه پايه سلول . دارد عمل، تعداد اولويتهاي تعريف شده براي كانالها،rبا Aiيادگير

سپس اتوماتاي منتسب به كانالهاي . يك ليست از آنها تشكيل مي شود) از طريق جستجو(قابل استفاده در سلول شناسايي مي شوند از ميان كانالهاي با اولويت باال . اين ليست با انتخاب يك عمل، الويت استفاده از كانالي كه به آن منتسب مي باشند را تعيين مي كنند

سپس به عمل اتوماتاي يادگير كانال انتساب داده . تصادفي انتخاب شده و به درخواست تخصيص داده مي شوديك كانال به صورت .ارائه شده استيک اولويت تعيين الگوريتم ۲-۷ شكلكد مجازي الگوريتم پيشنهادي در . شده پاداش داده ميشود

Channel Assignment Procedure (Assume this procedure is called by cell i) 1 - Create a list of available channels called ACi 2 - Each automaton Ai the channel of which belongs to ACi selects an action that determines the priority of using the channel in the cell 3 - Create a list from channels with the highest priority and call it HACi 4 - Select a channel from HACi randomly and assign it to the call request 5 - Give reward to the automaton the channel of which is selected by algorithm End of the Channel Assignment Procedure

الگوريتم تعيين اولويت يک۲-۷ شكل

)Algorithm 2 ( الگوريتم تعيين اولويت دو ٢‐١‐٢‐٧

عمل، تعداد mبا Ai يادگيراتوماتاييك iشبكه مانند سلول هر ايستگاه پايه يك ، تخصيص پوياي كانال اين الگوريتم دراز طريق (، ابتدا تمام كانالهاي قابل استفاده در سلول شناسايي مي شوند iبا ورود يك درخواست به ايستگاه پايه سلول . داردكانالها،سپس اتوماتاي يادگير از . تمام كانالهايي كه در اين ليست نمي باشند، غير فعال مي شوند. يك ليست از آنها تشكيل مي شود) جستجو

سپس . مرتبه انتخاب مي كند و عملي كه بيشترين دفعات انتخاب شود به درخواست تخصيص داده مي شود mميان عملهاي مجازتعداد سلولهاي همكانالي كه از كانال فوق در حال حاضر استفاده مي شوند شمرده شده و به نسبت آن به تعداد كل سلول هاي

ارائه شده ۳-۷ شكل كد مجازي الگوريتم پيشنهادي در .شده اتوماتايي يادگير داده مي شودهمكانال به عنوان پاداش به عمل انتخاب .است

Channel Assignment Procedure (Assume this procedure is called by cell i) 1 - Create a list of available channels called ACi 2 - Automaton Ai selects an action m times and call the selected actions as HACi 4 - Select the channel of HACi that has the most frequency and assign it to the call request 5 - Give reward to action the channel of which is selected End of the Channel Assignment Procedure

الگوريتم تعيين اولويت دو ۳-۷ شكل

الگوريتمهاي پيشنهادي تخصيص كانال

92

، FCA ،BDCL ،Q-learning ،TD(0) ،Algorithm 1مقايسه احتمال رد درخواستها در الگوريتمهاي تخصيص كانال ۴-۷ شكل

Algorithm 2 براي شبكه سلولي با ترافيك يکنواخت

، FCA ،BDCL ،Q-learning ،TD(0) ،Algorithm 1مقايسه احتمال رد درخواستها در الگوريتمهاي تخصيص كانال ۵-۷ شكل

Algorithm 2 ۱براي شبكه سلولي با ترافيك غير يکنواخت الگوی

الگوريتمهاي پيشنهادي تخصيص كانال

93

، FCA ،BDCL ،Q-learning ،TD(0) ،Algorithm 1مقايسه احتمال رد درخواستها در الگوريتمهاي تخصيص كانال ۶-۷ شكل Algorithm 2 ٢ا ترافيك غير يکنواخت الگوی براي شبكه سلولي ب.

Algorithm(و تعيين اولويت دو ) Algorithm 1( در الگوريتمهاي تعيين اولويت يك احتمال رد درخواستها: نتايج مقايسه، و ٥-٧ شكل، ٤-٧ شكلدر FCA،BDCL ،Q-learning ،TD(0)احتمال رد درخواستها در الگوريتمهاي تخصيص كانال با ) 2

و TD(0)همانطور كه در شكل ديده مي شود بهترين جوابها در همه ترافيكها متعلق به الگوريتمهاي . ارائه شده است٦-٧ شكلBDCLداشته باشيم كه پيچيدگي محاسباتي اين الگوريتمها بسيار بيشتر از الگوريتمهاي ديگر مورد البته بايد توجه . مي باشد

با (Q-learningبه ويژه در مقايسه با الگوريتم مبتني بر . الگوريتم تعيين اولويت يك نيز داراي كارايي مناسبي است. مقايسه است .بسيار مناسبتر مي باشد) توجه به پيچيدگي

قرض گيريالگوريتمهاي ٢‐٢‐٧

بطور دائمي تخصيص داده اي از كانالها مجموعهبه هر يك از سلولهاي شبكه ،كانالقرض دادن در روشهاي تخصيص پس از وگيرد صورت مياستفاده مجدد، با رعايت محدوديتهاي و عمل تخصيص كانال فقط يكبار در زمان طراحي سيستم .شوند مي

مختص تواند از كانالهاي هر سلول تنها ميايستگاه پايه . شوند تغيير نخواهند كرد لول استفاده ميتخصيص كانال، كانالهايي كه در آن س در روشهاي قرض دادن كانال، كانالهاي . استفاده كندايجاد شده در محدوده آن سلولبه درخواستهاي دهي براي سرويسآن سلول،

قرض . شوند ط استفاده مجدد، به سلولهايي با بار ترافيكي سنگين، قرض داده ميآزاد از سلولهايي كه ترافيك كمي دارند، با رعايت شرايدر اين بخش الگوريتمهاي .گردد كه نتوان از كانال قرض داده شده در سلولهايي از شبكه استفاده كرد دادن يك كانال، موجب مي دو دسته الگوريتمهاي سلول محور و الگوريتمهاي خوشه الگوريتمهاي پيشنهادي به. را ارائه مي دهيمگيريپيشنهادي مبتني بر قرض

در الگوريتمهاي سلول محور، هر سلول در هنگام تصميم گيري در مورد قرض دادن كانال به سلولهاي . شده استمحور طبقه بندي ش بيني كند، از دادن كانال براي مثال سلولي كه ترافيك بااليي براي خود پي. توجه ميكندو يا سلولهاي ديگر همسايه به شرايط خود

در مقابل، در الگوريتمهاي خوشه محور يك سلول در صورت درخواست كانال از طرف . قرضي به سلولهاي ديگران اجتناب مي كند .در ادامه صورت دقيق الگوريتمهاي اين بخش را خواهيم ديد. همسايه خود در صورت آزاد بودن كانال، كانال را قرض مي دهد

)Algorithm 3( قرض گيري سلول محور الگوريتم ١‐٢‐٢‐٧

است كه تعداد عملهاي آن برابر با Aiداراي يك اتوماتاي يادگير iشبكه مانند سلول يك در اين الگوريتم، هر ايستگاه پايه لول تعريف براي هر س" سبك"و " سنگين"براي مثال اگر حالت ترافيكي . تعداد حالتهاي ترافيكي در نظر گرفته شده براي سلول است

. نشان دهنده ترافيك سنگين خواهد بود٢ نشان دهنده ترافيك سبك و عمل ١ خواهد بود، كه عمل ٢شود، تعداد عملهاي اتوماتا برابر تا در نظر ٢در اين پايان نامه تعداد حالتهاي را . نيز تعريف كرد" سبك"و " متوسط"، "سنگين"مي توان حالتهاي ترافيكي ديگر مانند

. مگرفتي درخواست مكالمه اي برسد، در صورتيكه كانالي موجود باشد به درخواست اختصاص مي jفرض كنيد به ايستگاه پايه سلول

كانال iهرگاه درخواست به سلول همسايه . يابد، اما در صورتي كه كانالي موجود نباشد به ترتيب از همسايه ها درخواست مي كنداگر ترافيك . ل را انتخاب ميكند، كه براساس عمل انتخاب شده نوع ترافيك سلول تعيين مي شوديك عم Aiارسال شود، اتوماتاي

اما اگر نوع ترافيك سبك تشخيص داده شود در صورت . تعيين شود، سلول از دادن كانال قرضي خودداري ميكند" سنگين"سلول ان استفاده از كانال قرض داده شده آن را به درخواست منتسب ، پس بررسي امكjسلول . موجود بودن كانال، كانال قرض داده مي شود

در صورتي كه از ميان هيچ كدام از سلولها كانال . در غير اين صورت درخواست قرض گيري را به سلول ديگري ارسال مي كند. مي كند . مناسبي براي انتساب به درخواست بدست نيامد، درخواست مسدود مي شود

الگوريتمهاي پيشنهادي تخصيص كانال

94

در صورتي كه به هنگام . قرض دهدjتعيين شده و كانال مناسبي را به سلول " سبك "،iترافيك سلول در ابتدا فرض كنيد سلول كانال مناسبي را براي انتساب به درخواست داشته باشد به عمل انتخاب شده از طرف iرسيدن درخواست مكالمه به سلول

تعيين شده و " سنگين" iت ديگر اين است كه فرض كنيد ترافيك سلول حال. پاداش داده مي شود و اال جريمه مي شود Aiاتوماتاي سلول كانال مناسبي را براي انتساب iدر صورتي كه به هنگام رسيدن درخواست مكالمه به سلول . قرض داده نشودjكانالي به سلول

كد مجازي .د و اال به آن پاداش داده مي شود جريمه داده مي شو Aiبه درخواست داشته باشد به عمل انتخاب شده از طرف اتوماتاي . ارائه شده است۷-۷ شكلالگوريتم پيشنهادي در

Channel Assignment Procedure 1 - Create a list of available channels and call it AC. 2 - If there is an available channel in AC It is assigned to the call request

If by now the cell has been asked for a channel borrowing If determined_traffic_status == “heavy” Give a penalty signal to “heavy” action of the learning automata of the cell Else if determined_traffic_status == “light” Give a reward signal to “light” action of the learning automata of the cell End If

End If Else

If by now the cell has been asked for a channel borrowing If determined_traffic_status == “heavy” Give a reward signal to “heavy” action of the learning automata of the cell Else if determined_traffic_status == “light” Give a penalty signal to “light” action of the learning automata of the cell End If

End If Channel borrowing procedure is called End If 3- If an appropriate channel is return by the channel borrowing procedure

The call is setup, Else The request is blocked. End If End of the Channel Assignment Procedure Procedure of channel borrowing: While all neighbors are questioned or a channel is not borrowed do the following steps

1- Select a neighbor i that is not visited and send it a list of appropriate channels called ACL with a channel-borrowing request.

2- Learning automata of base station i select an action that determined the traffic status of cell i 3- If the traffic station determined as “heavy”, The borrowing request replied by an REJECT message.

Else A list of free channels called FCL is created. If there is a channel c that belongs to both FCL and ACL, c is returned as a result of procedure of channel borrowing.

End If End While End of the Channel Borrowing Procedure

الگوريتم قرض گيري سلول محور ۷-۷ شكل

الگوريتمهاي پيشنهادي تخصيص كانال

95

الگوريتم قرض گيري خوشه محور ٢‐٢‐٢‐٧

مسايه و در صورت موجود در الگوريتم قرض گيري خوشه محور هر سلول پس از دريافت درخواست قرض از طرف سلول هنكته مهم در اين الگوريـتم انتخاب يك سلول مناسب توسط سلول . بودن كانال، آن را به سلول درخواست كننده قرض مي دهد

. متقاضي كانال براي ارسال درخواست قرض گيري مي باشد

)Algorithm 4( قرض گيری خوشه محور يك الگوريتم ۱‐۲‐۲‐۲‐۷

است كه A1:P,iاتوماتاي يادگير ) P=6Dmin+1(داراي iشبكه مانند سلول يك پايه در اين الگوريتم، هر ايستگاهدرخواست مكالمه اي برسد، در iفرض كنيد به ايستگاه پايه سلول . ، است"سنگين"و " سبك"، ۲تعداد عمل هر يك از آنها برابر با

تي كه كانالي موجود نباشد بر اساس يك ترتيب، مثال شماره صورتيكه كانالي موجود باشد به درخواست اختصاص مي يابد، اما در صوراگر بر اساس عمل . يك عمل را انتخاب مي كند Aj,iسپس اتوماتاي يادگير . انتخاب مي شودjهمسايه، ابتدا يك سلول همسايه

jي كه ترافيك سلول در صورت. انتخاب شده ترافيك سلول ، سبك تشخيص داده شود درخواست قرض گيري براي آن ارسال مي شوداگر ترافيك تمام سلولهاي همسايه سنگين تشخيص داده شود، . سلول ديگري را انتخاب مي كندiسنگين تشخيص داده شود، سلول داراي كانال j ارسال شود، در اين حالت اگر سلول jفرض كنيد درخواست قرض گيري به سلول .درخواست مكالمه مسدود مي شود

پاداش مي دهد Aj,iاتوماتاي " سبك" به عمل i قرض داده شده و سلول i باشد، كانال مذكور به سلول iستفاده در سلول موجود قابل ا . ارائه شده است۸-۷ شكلكد مجازي الگوريتم پيشنهادي در . و اال عمل آن را جريمه مي كند

Channel Assignment Procedure 1 - Create a list of available channels and call it AC. 2 - If there is an available channel in AC It is assigned to the call request. Else Channel borrowing procedure is called. End If 3- If an appropriate channel is return by the channel borrowing procedure

The call is setup. Else The request is blocked. End If End of the Channel Assignment Procedure Procedure of channel borrowing: (Assume that cell the borrowing procedure is called by cell i) While all neighbors are questioned or a channel is not borrowed do the following steps

1- Select a neighbor j that is not visited (based on an determined order). 2- The learning Automaton of the cell i assigned to the cell j (Aj,i) selects an action from {Heavy,

Light} that determined an estimated status of the traffic of cell j. 3- If detemined_traffic_status_of_cell_j = = “Light” Send it a list of appropriate channels called ACL with a channel-borrowing request. The cell j creates a list from its free channels and calls it FCL. If there is a channel that belongs to both FCL and ACL The cell i lends this channel to the cell j. The “Light” action of learning automaton Aj,i is rewarded. Else The “Light” action of learning automaton Aj,i is penalized.

End If End If

End While

الگوريتمهاي پيشنهادي تخصيص كانال

96

End of the Channel Borrowing Procedure الگوريتم قرض گيري خوشه محور يك ۸-۷ شكل

)Algorithm 5(دو الگوريتم قرض گيری خوشه محور ٢‐٢‐٢‐٢‐٧

. عمل ميباشدP=6Dmin+1با Aiداراي يك اتوماتاي يادگير iشبكه مانند سلول يك در اين الگوريتم، هر ايستگاه پايه درخواست مكالمه اي برسد، در صورتيكه كانالي iاه پايه سلول فرض كنيد به ايستگ. هر عمل به يكي از سلولهاي همسايه منتسب است

فرض . يك عمل را انتخاب ميكندAiموجود باشد به درخواست اختصاص مي يابد، اما در صورتي كه كانالي موجود نباشد، اتوماتاي اگر . درخواست كانال مي كند jل از سلو iسلول . را براي ارسال در خواست قرض گيري تعيين كندjكنيد عمل انتخاب شده، سلول

پاداش داده شده و Aiبگذارد به عمل انتخاب شده توسط اتوماتاي يادگير i كانال موجود مناسبي را در اختيار سلول سلول jسلول ر در غير اين صورت عمل انتحاب شده جريمه شده و با ديگ. كانال قرض گرفته شده به درخواست مكالمه تخصيص داده مي شود

و اين كار تا آنجا ادامه پيدا مي كند كه يكي از سلولهاي . را انتخاب مي كند) به جز عمل انتخاب شده قبلي( عملي Aiاتوماتاي در صورتيكه از تمام سلول هاي همسايه درخواست كانال شود و هيچگدام كانال . بگذارد iهمسايه كانال مناسب را در اختيار سلول

. ارائه شده است۹-۷ شكلكد مجازي الگوريتم پيشنهادي در .رض ندهند، درخواست مكالمه مسدود مي شودق i مناسبي به سلول

Channel Assignment Procedure 1 - Create a list of available channels and call it AC. 2 - If there is an available channel in AC It is assigned to the call request. Else Channel borrowing procedure is called. End If 3- If an appropriate channel is return by the channel borrowing procedure

The call is setup. Else The request is blocked. End If End of the Channel Assignment Procedure Procedure of channel borrowing: (Assume that cell the borrowing procedure is called by cell i) While all neighbors are questioned or a channel is not borrowed do the following steps

1- The learning Automaton of the cell i (Ai) selects an action j that determined a cell from neighborhood of cell i, and send it a list of appropriate channels called ACL with a channel-borrowing request.

2- The cell j creates a list from its free channels and calls it FCL. 3- If there is a channel that belongs to both FCL and ACL The cell i lends this channel to the cell j. The action j of learning automaton Ai is rewarded. Else The action j of learning automaton Ai is penalized and disable. End If

End While End of the Channel Borrowing Procedure

الگوريتم قرض گيري خوشه محور دو۹-۷ شكل

الگوريتمهاي پيشنهادي تخصيص كانال

97

، خوشه محور يك )Algorithm 3( در الگوريتمهاي فرض گيري سلول محور رد درخواستهااحتمال :نتايج مقايسه

)Algorithm 4 ( و خوشه محور دو)Algorithm 5 ( احتمال رد درخواستها در الگوريتمهاي تخصيص كانال باFCA ،BDCL ،Q-learning ،TD(0) همانطور كه در شكل ديده مي شود بهترين . ارائه شده است١٢-٧ شكل، و ١١-٧ شكل، ١٠-٧ شكل در

رض گيري ارائه در الگوريتمهاي فاحتمال رد درخواستها. مي باشدBDCL و TD(0)جوابها در همه ترافيكها متعلق به الگوريتمهاي بسيار بيشتر است با اين حال جوابهاي الگوريتم خوشه محور دو BDCL ،Q-learning ،TD(0)شده نسبت به الگوريتمهاي

)Algorithm 5 (با توجه به پيجيدگي كم و كارايي نسبتا خوب قابل توجه مي باشد.

، FCA ،BDCL ،Q-learning ،TD(0) ،Algorithm 3 مقايسه احتمال رد درخواستها در الگوريتمهاي تخصيص كانال ۱۰-۷ شكل

Algorithm 4 و Algorithm 5براي شبكه سلولي با ترافيك يکنواخت .

، FCA ،BDCL ،Q-learning ،TD(0) ،Algorithm 3احتمال رد درخواستها در الگوريتمهاي تخصيص كانال مقايسه ۱۱-۷ شكل

Algorithm 4 و Algorithm 5 ١ترافيك غير يکنواخت الگوی با براي شبكه سلولي

الگوريتمهاي پيشنهادي تخصيص كانال

98

، FCA ،BDCL ،Q-learning ،TD(0) ،Algorithm 3درخواستها در الگوريتمهاي تخصيص كانال مقايسه احتمال رد ۱۲-۷ شكل Algorithm 4 و Algorithm 5 ٢ترافيك غير يکنواخت الگوی با براي شبكه سلولي

الگوريتمهاي تعيين الگوي قطعي تخصيص ٣‐٢‐٧ )Algorithm 6(الگوريتم تعيين الگوی قطعي يك ١‐٣‐٢‐٧

عمل ) تعداد كانالها شبكه (mبا Aiداراي يك اتوماتاي يادگير iشبكه مانند سلول يك گاه پايه در اين الگوريتم، هر ايستفرض كنيد به . مي باشدc توسط اتوماتا به منزله انتخاب كانال cهر عمل به يكي از كانالها منتسب است و انتخاب يك عمل . ميباشد

اگر كانال منتسب به اين عمل، يك . عملي را انتخاب مي كند Ai ا اتوماتاي يادگيرابتد. درخواست مكالمه اي برسد iايستگاه پايه سلول در غير اين صورت . كانال موجود باشد، مكالمه با استفاده از همين كانال بر قرار مي شود و به عمل انتخاب شده پاداش داده مي شود

و اين كار تا آنجا ادامه پيدا مي كند كه يكي از . مي شود) به جز عملهاي انتخاب شده(اين عمل جريمه شده و عمل ديگري انتخاب در صورتيكه از تمام كانالهاي انتخابي هيچ كدام به درخواست تخصيص داده نشوند، . كانالهاي انتخابي به درخواست منتسب شود

. ارائه شده است۱۳-۷ شكلكد مجازي الگوريتم پيشنهادي در . درخواست مكالمه مسدود مي شود

Channel Assignment Procedure (Assume this procedure is called by cell i) (All action of the automaton Ai can be selected at first) 1 - If all action of Ai are disabled The request is blocked. Else

The automaton Ai selects an action c that determines a channel from pool of channels. End If 2 - If channel c is available in cell i The channel c is assigned to the call. The action c of the automaton Ai is rewarded. Else The action c of the automaton Ai is penalized.

The action is disabled (can not be selected in the next step). The control of algorithm is given to step 1 End If End of the Channel Assignment Procedure

الگوريتمهاي پيشنهادي تخصيص كانال

99

الگوريتم تعيين الگوی قطعي يك۱۳-۷ شكل

)Algorithm 7(الگوريتم تعيين الگوی قطعي دو ٢‐٣‐٢‐٧

۲با A1:m,iي يادگير اتوماتا) تعداد كانالها شبكه (mداراي iشبكه مانند سلول يك در اين الگوريتم، هر ايستگاه پايه و c به منزله انتخاب كانال Ac,i توسط اتوماتاي ۱انتخاب عمل . منتسب استc به يك كانال Ac,iهر اتوماتاي . مي باشد۲ و ۱عمل

اساس ابتدا بر . درخواست مكالمه اي برسد iفرض كنيد به ايستگاه پايه سلول . مي باشدc به معناي عدم انتخاب كانال ۲انتخاب عمل اين ترتيب مي تواند به صورت تصادفي انتخاب شده يا بر اساس معيار ديگري مانند . يك ترتيب خاص اتوماتاها مرتب مي شوند

در اين تحقيق اتوماتاها بر اساس بيشترين دفعات استفاده مرتب شده . بيشترين دفعات استفاده يا كمترين دفعات استفاده تعيين شوددر . يك عمل را انتخاب مي كند A1c,iبه اين ترتيب، ابتدا اتوماتاي يادگير . در نظر بگيريد1c:mc كانالها را ترتيب انتخاب شده. اند

به درخواست تخصيص داده مي شود و به عمل 1c، كانال i در سلول 1c انتخاب شود، در صورت موجود بودن كانال ۱صورتيكه عمل ۲در حالتيكه عمل . جريمه مي شودA1c,i اتوماتاي ۱ صورت موجود نبودن، عمل پاداش داده مي شود و درA1c,i اتوماتاي ۱

بدون . پاداش داده مي شود۲ جريمه مي شود در غير اين صورت به عمل ۲، عمل 1cانتخاب شده باشد، در صورت موجود بودن كانال در . مي رود و همين طور اال آخر A2c,Iغ اتوماتاي توجه به انتخاب هر كدام از عملها، در صورت جريمه شدن عمل، الگوريتم به سرا

ارائه شده ۱۴-۷ شكلكد مجازي الگوريتم پيشنهادي در . نيز جريمه شود، درخواست مكالمه مسدود مي شودmcصورتيكه اتوماتاي .است

Channel Assignment Procedure (Assume this procedure is called by cell i)

1- Create a list of available channels and call it ACi. 2- The channels are sorted using a determined strategy such as Maximum Used, Minimum Used, Random, etc., and the new order of channels is indexed as 1c:mc.

For c =1c to mc The automaton Ac,i selects an action. If selected_action = = “1” If c is a member of ACi The channel c is assigned to the request. The action “1” of the automaton Ac,i is rewarded. Else The action “1” of the automaton Ac,i is penalized. End If Else If selected_action = = “2” If c is a member of ACi The action “2” of the automaton Ac,i is penalized. Else The action “2” of the automaton Ac,i is rewarded. End If End If End For End of the Channel Assignment Procedure

دوم الگوريتم تعيين الگوی قطعي ۱۴-۷ شكل

و الگوي قطعي دو ) Algorithm 6( در الگوريتمهاي تعيين الگوي قطعي يك احتمال رد درخواستها :نتايج مقايسه

)Algorithm 7 ( احتمال رد درخواستها در الگوريتمهاي تخصيص كانال باFCA ،BDCL ،Q-learning ،TD(0) شكل در در الگوريتمهاي تعيين همانطور كه در شكل ديده مي شود احتمال رد درخواستها. ارائه شده است١٧-٧ شكل و ١٦-٧ شكل، ١٥-٧

الگوريتمهاي پيشنهادي تخصيص كانال

100

بيشتر است و هيچ توجيه محاسباتي FCA و حتي BDCL ،Q-learning ،TD(0)ي ارائه شده نسبت به الگوريتمهاي الگوي قطع .و كارايي ندارند

Algorithm 7 و FCA ،BDCL ،Q-learning ،TD(0) ،Algorithm 6مقايسه احتمال رد درخواستها در الگوريتمهاي تخصيص كانال ۱۵-۷ شكل

. ترافيك يکنواخت براي شبكه سلولي با

Algorithm 7 وFCA ،BDCL ،Q-learning ،TD(0) ،Algorithm 6مقايسه احتمال رد درخواستها در الگوريتمهاي تخصيص كانال ۱۶-۷ شكل

.۱ ترافيك غير يکنواخت الگوی براي شبكه سلولي با

الگوريتمهاي پيشنهادي تخصيص كانال

101

Algorithm 7 و FCA ،BDCL ،Q-learning ،TD(0) ،Algorithm 6مقايسه احتمال رد درخواستها در الگوريتمهاي تخصيص كانال ۱۷-۷ شكل

۲ ترافيك غيريکنواخت الگوی ه سلولي بابراي شبك

نتيجه گيري ٣‐ ٧

در اين پايان نامه چندين . معرفي شده است[16] [17] استفاده از اتوماتاي يادگير سلولي در تخصيص كانال اولين بار در ديگر با رويكردهاي ديگري بر مبناي اتوماتاي يادگير سلولي ارائه شده است و با نتايج چندين الگوريتم مشهور تخصيص كانال الگوريتم

بر اساس يافته هاي اين مقاله، استفاده از اتوماتاي يادگير سلولي به عنوان يك مدل يادگيري تقويتي كه . مورد مقايسه قرار گرفته استطراحي شده است راهكار مناسبي براي حل مسائلي از قبيل تخصيص كانال در شبكه هاي سلولي مخابراتي مي به صورت توزيع شده

.باشد

ها دگيري و پيشنها نتيجه

102

ها گيري و پيشنهاد نتيجه .٨

و مطالعه و بررسي بيشتر رفتارهای اتوماتای يادگير سلولي ‐١. تددر اين پايان نامه دو محور اصلي مورد بحث قرار گرفته اقوانين متفاوت و قرار دادن اتوماتاهای يادگير اتوماتاي يادگير سلولي با استفاده از ‐٢. ن يك ماشين بهينه كنندهبررسي آن به عنوا

. درون سلولها در نقشهای متفاوت برای حل مسئله تخصيص کاناله شده يك دسته بندي در فصل سوم مطالعه اي برروي يك اتوماتاي يادگير سلولي ساده انجام گرفت و بر اساس رفتار مشاهد

اين دسته بندي بر اساس مفاهيم استفاده شده در تئوري سيستمهاي ديناميك و تئوري پيچيدگي انجام . برروي قوانين آن انجام شدمطالعه انجام شده در اين فصل بر اساس شبيه سازي بوده و اولين گام در توسعه اين مطالعات انجام شبيه سازي هاي بيشتر . گرفت. ررسي صحت دسته بندي پيشنهادي و گام دوم انجام تحليل هاي رياضي براي بررسي صحت حدسهاي صورت پذيرفته مي باشدبراي ب

گسترش تئوري ‐١. به نظر ميرسد با مطالعه اتوماتاي يادگير سلولي با اين ديدگاه بتوان به چندين هدف ارزشمند دست يافتانند اتوماتاي يادگير سلولي كه در حين توزيع شدگي و انتقال تدريجي اطالعات سيستمهاي پيچيده بخصوص در حوزه سيستمهايي م

گسترش تئوريهااي مربوط به يادگيريهاي تقويتي توزيع ‐٢. از يك نقطه سيستم به نقطه ديگر از ماهيت تصادفي بودن نيز برخوردارنددر ادامه، يك مدل بهينه سازي مبتني بر . ردهاي واقعي درك صحيح اتوماتاي يادگير سلولي براي استفاده از آن در كارب‐٣. شده

مدل تكاملي . اتوماتاي يادگير سلولي ارائه شد و كاربرد آن در بهينه سازي توابع حقيقي و خوشه بندي داده مورد مطالعه قرار گرفتگوريتمهاي بهينه سازي توزيع شده ارائه شده جديد بوده و تحقيقات بيشتر بر روي آن ميتواند باعث تولد روشهاي جديد در حوزه ال

.ملهم از طبيعت گردددر از ميان مسائل مطرح شده . در محور دوم، تمركز اصلي برروي تخصيص منابع بر روي شبكه سلولي مخابراتي بوده است

چيده ترين و تخصيص کانالهای مخابراتي به مکالمات در خواست شده در شبکه سلولي يکي از پيتخصيص منابع در شبكه موبايل، در الگوريتمهای تخصيص کانال در شبکه سلولي مخابراتي دو هدف عمده کاهش انسداد مکالمات و کاهش .بحث برانگيزترين آنهاست

بنابراين . اين دو هدف در دادو ستد با يکديگر بوده و معموال با بهبود يکي از آنها از ديگری دور مي شويم. هزينه شبکه دنبال مي شود را مورد توجه قرار هدفققان در حال حاضر سعي دارند تا در طراحي سيستمهای تخصيص منابع بروی شبکه موبايل هر دو اکثر محبه عبارت ديگر در طراحي الگوريتمهای جديد، توزيع پذيری ، استقالل الگوريتمهای اجرا شده بروی ايستگاهها، استفاده از . دهند

با توجه به ماهيت تصادفي . ي در بهمراه کاهش رد و قطع مکالمات شبکه مورد توجه استاطالعات محلي و کاهش پيغامهای کنترلپارامترهاي شبکه سلولي مخابراتي و به منظور دستيابي به ويژگي توزيعي، محلي بودن، کاهش احتمال رد و قطع مکالمات استفاده از

ن ارتباطات و شکل توپولوژيکي شبکه سلولي مخابراتي که به فرم بدليل محلي بود. مدلهای يادگيری تقويتي توزيع شده راه گشا استاتوماتای سلولي مي باشد و با توجه به اينکه مدل کردن پارامترهاي ترافيکي شبکه و کارايي سرويس دهي در سلولهای شبکه مخابراتي

گيرنده سلولي مدلي مناسب برای ارائه اتوماتای ياد است،ا به صورت تطبيقي از نيازهای ارائه الگوريتمهای تخصيص کانال کارالبته الگوريتمهاي ارائه شده در اين پايان نامه را مي توان اولين گامها براي حل مساله . الگوريتمهای جديد تخصيص کانال است

موجود در هر سلول در ي يادگير هادر ادامه اين مطالعات ميتوان از اتوماتا. تخصيص كانال با استفاده از اتوماتاي يادگير سلولي دانست .تصميم گيري در نقشهاي ديگري در فرايند تخصيص كانال استفاده كرد

مراجع

103

مراجع .۹

[1] Acampora, A.S., and Naghshineh, M., “An architecture and methodology for mobile-executed handoff

in cellular ATM networks,” Journal of Selected Areas in Communications, vol. 12, pp. 1365-1375, October 1994.

[2] Acampora, A.S., and Naghshineh, M., “Control and quality of service provisioning in high speed microcellular networks,” IEEE Personal Communications, pp. 36–43, October 1994.

[3] Ajmone Marsan, M., Marano, S., Mastroianni, C., and Meo, M., “Performance analysis of cellular mobile communication networks supporting multimedia services,” Mobile Networks and Applications, vol. 5, no. 3, September 2000.

[4] Alba, E., and Troya, J. M., “Analyzing Synchronous and Asynchronous Parallel Distributed Genetic Algorithms”, Future Generation Computer Systems, vol. 17, pp. 451-465, 2001.

[5] Anderlind, E, Resource allocation in multi-service wireless access networks, Ph.D. Thesis, Royal Institute of Technology, Stockholm, Sweden, 1997.

[6] Anderson, L., “A simulation study of some dynamic channel assignment algorithms in high capacity mobile telecommunications system,” IEEE Transactions on Vehicular Technology, vol. 21, pp. 1294-1301, 1973.

[7] Aoki, T., Suzuki, T., and Okuma, S., “Acquisition of optimal action selection in autonomous mobile robot using learning automata (experimental evaluation),” Proceedings of the IEEE Conference on Fuzzy Logic and Neural Networks/Evolutionary Computation, pp. 56-63, Nagoya, Japan, November 1995.

[8] Baluja, S., “Population Based Incremental Learning: A Method for Integrating Genetic Search Based Function Optimization and Competitive Learning”, Technical Report CMU-CS-94-163, Carnegie Mellon University, Pittsburgh, Pennsylvania, 1994.

[9] Baluja, S., and Davies, S., “Using Optimal Dependency Trees for Combinatorial Optimization: Learning the Structure of Search Space”, Technical Report CMU-CS-97-107, Carnegie Mellon University, Pittsburgh, Pennsylvania, 1997.

[10] Baluja, S., and Caruana, R., "Removing The Genetics from The Standard Genetic Algorithm", In Proceedings of ICML’95, pp. 38–46, Morgan Kaufmann Publishers, Palo Alto, CA, 1995.

[11] Baradaranhashemi, A, Beigy, H., and Meybodi, M. R., "Dynamic Call Access Control for Cellular Mobile Networks”, Proceedings of 9th Annual CSI Computer Conference, Computer Engineering Department, Sharif University, Tehran, Iran, pp. 440-446, Feb. 2004.

[12] Beigy, H., and Meybodi, M.R., “A learning automata based dynamic guard channel,” Proceedings of the 1st Euro-Asia Conference on Information and Communication Technology, Shiraz, Iran, pp. 643-650, 2002.

[13] Beigy, H., and Meybodi, M.R., “An adaptive algorithm based on learning automata for determination of number of guard channel,” Proceedings of the 9th Symposium on Wireless System and Networks, Dhahran, Saudi Arabia, pp. 24-26, March 2003.

[14] Beigy, H., and Meybodi, M. R., “Call admission control in cellular mobile networks: A learning automata approach,” Proceedings of the 1st Euro-Asia Conference on Information and Communication Technology, Shiraz, Iran, pp. 450–457, 2002.

[15] Beigy, H., and Meybodi, M. R., "A Learning Automata Based Algorithm for Determination of Minimum Number of Hidden Units for Three Layers Neural Networks", Journal of Amirkabir, Vol. 12, No. 46, pp. 111-136, 2001.

[16] Beigy, H., and Meybodi, M. R., “A Mathematical Framework for Cellular Learning Automata”, Advanced in Complex Systems, to appear.

[17] Beigy, H., and Meybodi, M. R., “A Self-Organizing Channel Assignment Algorithm: A Cellular Leaning Automata Approach”, Vol. 2690 of Springer-Verlag Lecture Notes in Computer Science, pp. 119-126, Springer-Verlag, 2003.

مراجع

104

[18] Beigy, H., and Meybodi, M. R., “A Dynamic Channel Assignment Algorithm: A Cellular Learning Automata Approach", Proceedings of The 2nd Workshop on Information Technology & It's Disciplines, pp. 218-231, Kish Island, Iran, February 24-26, 2004.

[19] Bodanese, E. L. A., Distributed channel allocation scheme for cellular network using intelligent software agents, Ph.D. Thesis, Department of Electronic Engineering, Queen Mary and Wesftfield College, University of London, November 2000.

[20] Chandrasekharan, B., and Shen, D. W. C., “On expediency and convergence in variable structure stochastic automata,” IEEE Transactions on System Science and Cybernetics, vol. 5, pp. 145-149, 1968.

[21] Chandrasekharan, B., and Shen, D. W. C., “Stochastic automata games,” IEEE Transactions on System Science and Cybernetics, vol. 5, pp. 145-149, 1969.

[22] Cox, D. C., and Reudink, D. O., “Dynamic channel assignment in two dimension large-scale mobile radio systems,” Bell System Technical Journal, vol. 51, pp. 1611–28, 1972.

[23] David, G., Distributed dynamic channel assignment for the wireless environment, Ph.D. Thesis, Department of Electronics, University of York, 1999.

[24] De Bonet, J. S., Isbell, C. L., and Viola, P., "MIMIC: Finding Optima by Estimating Probability Densities", In Proceedings of NIPS’97, pp. 424–431, MIT Press, Cambridge, MA, 1997.

[25] De Jong, K. A., The Analysis of the behavior of a class of genetic adaptive systems, Ph.D. Thesis, University of Michigan, Ann Arbor, 1975.

[26] Engel, J. S., and Peritsky, M., “Statistically optimum dynamic server assignment in systems with interfering servers,” IEEE Transactions on Vehicular Technology, vol. 22, 1973, pp. 203–209.

[27] Epstein, B., and Schwartz, M., “Reservation strategies for multimedia traffic in a wireless environment,” Proceedings of 45th IEEE Vehicular Technology Conference, vol. 1, pp. 165-169, July 1995.

[28] Fang, M., and Chlamtac, I., “Teletraffic analysis and mobility Modeling of PCS networks,” IEEE Transactions on Communications, vol. 47, pp. 1062-1072, July 1999.

[29] Fu, K. S., and Li, T. J., “Formulation of learning automata and automata games,” Information Science, vol. 1, no. 3, pp. 237-256, 1969.

[30] Fu, K. S., and Li, T. J., “On stochastic automata and languages,” Information Science, vol. 1, no. 4, pp. 403-419, 1969.

[31] Fu, K. S., and McMurtry, G. J., “A study of stochastic automata as models of adaptive and learning controllers,” IEEE Transactions on Automatic Control, vol. 11, pp. 379-387, 1966.

[32] Fu, K. S. and McMurtry, G. J., “An application of stochastic automata to the synthesis learning systems,” Technical Report TR-EE 65-17, Purdue University, 1965.

[33] Fu, K. S., “Stochastic automata as models of learning systems,” in Computer and Information Sciences II, Ed. Lou J.T., New York: Academic Press, 1967.

[34] Furuya, Y., and Akaiwa, Y, “Channel segregation, a distributed adaptive channel allocation scheme for mobile communication systems,” IEICE Transactions, vol. E.74, no. 6, pp. 1531-1537, June 1991.

[35] Giancristofaro, D., Ruggieri, M., and Santucci, F., “Queuing of handover requests in microcellular network architectures,” Proceedings of 44th IEEE Vehicular Technology Conference, pp. 1846–1849, June 1994.

[36] Gilbert V., Thibault J., and Najim K., “Learning automata for the control and optimization of a continuous stirred tank fermenter,” IFAC Symposium on Adaptive Systems in Control and Signal Processing, Grenoble, France, July 1992.

[37] Goldberg, D. E., Genetic Algorithms in Search, Optimization and Machine Learning, Addison-Wesley, New York, 1989.

[38] Gordon, T. J., Marsh, C., and Wu, Q. H., “Stochastic optimal control of active vehicle suspensions using learning automata,” Journal of Systems and Control Engineering, vol. 207, pp. 143-152, 1993.

مراجع

105

[39] Hac, A., and Mo, C., “Dynamic channel strategy for microcell systems,” IEEE Conference on Communications, Computers and Signal Processing, vol. 1, pp. 346-349, 1997.

[40] Hac, A., and Armstrong, A., “Resource allocation scheme for QoS provisioning in microcellular networks carrying multimedia traffic,” International Journal of Network Management, vol. 11, pp. 277-307, 2001.

[41] Hac, A., and Chen, Z., “A hybrid channel allocation method for wireless communication networks,” International Journal of Network Management, vol. 10, pp. 59-74, 2001.

[42] Hac, A., and Chunlei, M., “Dynamic channel assignment in wireless communication networks,” International Journal of Network Management, vol. 9, no. 1, pp. 44-66, 1999.

[43] Hac, A., and Zhang, Y., “Reducing signaling traffic in wireless ATM networks through handoff scheme improvement,” International Journal of Network Management, vol.12, no. 5, pp. 281-302, 2002.

[44] Harik, G. R., Lobo, F. G., and Goldberg, D. E., "The Compact Genetic Algorithm", IEEE Transaction on Evolutionary Computing, vol. 3, no. 4, pp. 287–297, 1999.

[45] Harik, G., “Learning Linkage to Efficiently Solve Problems of Bounded Difficulty Using Genetic Algorithms”, Illinois Genetic Algorithm Report, No. 97005, Illinois University, Illinois, USA, 1997.

[46] Harik, G., “Linkage Learning via Probabilistic Modeling in the ECGA”, Illinois Genetic Algorithm Report, No. 99010, Illinois University, Illinois, USA, 1999.

[47] Haring, G., Marie, R., Puigjaner, R., and Trivedi, K., “Loss formulas and their application to optimization for cellular networks,” IEEE Transactions on Vehicular Technology, vol. 50, pp. 664–673, May 2001.

[48] Hariri, A., Rastegar, R., Saheb Zamani, M. R., Meybodi, M. R., “ A Parallel Hardware Implementation of CLA-EC on FPGA”, Technical Report, Computer Eng. Department, Amirkabir university, 2004.

[49] Hong, D., and Rapport, S., “Traffic modeling and performance analysis for cellular mobile telecommunication systems with prioritized and non-prioritized handoff procedure,” IEEE Transactions on Vehicular Technology, vol.35, pp. 77-92, August 1986.

[50] Howell, M. N., Gordon, T. J., and Brandao, F. V., “Genetic Learning Automata for Function Optimization”, IEEE Transaction on Systems, Man, and Cybernetics-Part B: Cybernetics, Vol 32, No. 6, PP. 804-815, 2002.

[51] I., C. L. and Chao, P. H, “Local packing-distributed dynamic channel allocation at cellular base station,” IEEE Global Telecommunications Conference, Houston, U.S.A., pp. 293-301, 1993.

[52] I., C. L., and Chao, P. H., “Distributed dynamic channel allocation algorithms with adjacent channel constraints,” Proceedings of IEEE Personal Indoor Mobile Radio Communication, Hague, Netherlands, pp.169-175, September 1994.

[53] Ikonen, E., and Najim, K., “Use of learning automata in distributed fuzzy logic processor training,“ IEE Proceedings of Control Theory and Applications, pp. 255-262, 1997.

[54] Jordan, S., “Resource allocation in wireless networks,” Journal of High Speed Networks, vol. 5, no. 1, pp. 23-34, 1996.

[55] Jun Y. and Cheng S., “A new dynamic channel assignment strategy in cellular mobile communication systems,” Proceedings of IEEE International Conference on Communications, vol. 3, pp. 1312-1315, 1992.

[56] Julstrom, B. A., “Comparing Darwinian, Baldwinian, and Lamarckian Search in Genetic Algorithm for 4-Cycle Problem”, Technical Report, Department of Computer Science, St. Cloud State University, St. Cloud, USA, 1999.

[57] Karlsoon, J. and Eklundh, B., "A cellular mobile telephone system with load sharing- an enhancement of directed retry," IEEE Transactions on Communications, vol. 37, no. 5, pp. 530-535, 1989.

[58] Katzela, I., and Naghshineh, M., “Channel assignment schemes for cellular mobile telecommunication systems: a comprehensive survey,” IEEE Personal Communications, vol. 3, no. 3, pp. 10-31, June 1996.

[59] Khojasteh, M. R., and Meybodi, M. R., “Cooperation in Multi-Agent Systems Using Learning Automata", Iranian Journal of Electrical and Computer Engineering, vol. 1, no. 2, pp.81-91, 2004.

مراجع

106

[60] Lakshmivarahan, S., and Thathachar, M. A. L., “Optimal non-linear reinforcement schemes for stochastic automata,” Information Science, vol. 4, pp. 121-128, 1982.

[61] Lakshmivarahan, S., Learning algorithms: theory and applications, New York: Springer-Verlag, 1981. [62] Lakshmivarahan, S., and Thathachar, M. A. L., “Absolute expediency of Q and S-model learning

algorithm,” IEEE Transactions on Systems, Man and Cybernetics, vol. 6, pp. 222-226, 1976. [63] Lakshmivarahan, S., and Thathachar, M. A. L., “Absolutely expedient learning algorithms for

stochastic automata,” IEEE Transactions on Systems, Man and Cybernetics, vol. 6, pp. 281-286, 1973. [64] Larranaga, P., Etxeberria, R., Lozano, J. A., and Pena, J. M., “Optimization by Learning and

Simulation of Bayesian and Gaussian Networks”, Technical Report EHU-KZAA-IK-4/99, Department of Computer Science and Artificial Intelligence, University of Basque Country, December 1999.

[65] Lessani, M., and Meybodi, M. R., “Genetic Cellular Automata”, in proceedings of the 5th conference on Intelligent Systems, Mashhad, Iran, 2003.

[66] Levine, D. A., Akyildiz I. E., and Naghshineh M., “A resource estimation and call admission algorithm for wireless multimedia networks using the shadow cluster concept,” IEEE/ACM Transactions on Networking, vol. 5, no. 1, pp. 1-12, Feb. 1997.

[67] Li, B., Lin, C., and Chanson, S., “Analysis of a hybrid cutoff priority scheme for multiple classes of traffic in multimedia wireless networks,” ACM Wireless Networks, vol. 4, no. 4, pp. 279-290, August 1998.

[68] Lozano, A., Integrated dynamic channel assignment and power control in mobile wireless communication systems, Ph.D. Thesis, Department of Electrical Engineering, December 1998.

[69] Mance, E., and Stephanie, S., H., “Reinforcement learning: A tutorial,” Wright Laboratory, 1996. [70] Mars, P., Chen, J. R., and Nambiar, R., Learning algorithms theory and applications in signal

processing, control and communications, CRC Press, 1996. [71] Marsh, C., and Gordon, T. J., “The Application of learning automata to controller design in slow-

active automobile suspensions,” International Journal for Vehicle Mechanics and Mobility, vol. 28, no. 8, pp. 597-616, 1995.

[72] Mashoufi, B., Menhaj, M. B., Motamedi, A., and Meybodi, M. R., "Introducing an Adaptive VLR Algorithm Using Learning Automata for Multilayer Perceptron", IEICE Transactions on Information and Systems, vol. E86-D, No. 3, pp. 495-609, March 2003.

[73] Mason, L.G., “An optimal learning algorithm for s-model environments,” IEEE Transactions on Automatic Control, pp. 493-496, October 1973.

[74] Maulik, U., and Bandyopadhyay, S., “Genetic Algorithm-Based Clustering Technique”, Pattern Recognition, no. 33, pp. 1455-1465, 2000.

[75] McLaren, R. W., “A stochastic automaton model for synthesis of learning systems,” IEEE Transactions on System Science and Cybernetics, vol. 2, pp. 109-114, 1966.

[76] Meybodi, M. R., and Beigy, H., "A Note on Learning Automata Based Schemes for Adaptation of BP Parameters", Journal of Neurocomputing, vol. 48, no. 4, pp. 957-974, October 2002.

[77] Meybodi, M. R., and Beigy, H., "New Learning Automata Based Algorithms for Adaptation of Backpropagation Algorithm Parameters", International Journal of Neural System, vol. 12, no. 1, pp. 45-67, 2002.

[78] Meybodi, M. R., and Kharazmi, M. R., “Application of Cellular Learning Automata to Image Processing”, Journal of Amirkabir, to be published, 2003.

[79] Meybodi, M. R., and Khojaste, M. R., “Application of Cellular Learning Automata in Modeling of Commerce Networks”, in Proceedings of 6th Annual International Computer Society of Iran Computer Conference CSICC2001, Isfahan, Iran, pp. 284-295, 2001.

[80] Meybodi, M. R., and Mehdipour, F., “VLSI Placement Using Cellular Learning Automata”, in Proceedings of 8th Annual International Computer Society of Iran Computer Conference CSICC2001, Mashhad, Iran, pp. 195-203, 2003.

[81] Meybodi, M. R., and Taherkhani, M., ”Application of Cellular Learning Automata to Modeling of Rumor Diffusion”, in Proceedings of 9th Conference on Electrical Engineering, Power and Water institute of Technology, Tehran, Iran, pp. 102-110, May 2001.

مراجع

107

[82] Meybodi, M. R., and, Kharazmi, M. R., “Image Restoration Using Cellular Learning Automata”, in Proceedings of the Second Iranian Conference on Machine Vision, Image Processing and Applications, Tehran, Iran, pp. 261-270, 2003.

[83] Meybodi, M. R., Beygi, H., and Taherkhani, M., “Cellular Learning Automata”, in Proceedings of 6th Annual International Computer Society of Iran Computer Conference CSICC2001, Isfahan, Iran, pp. 153-163, 2001.

[84] Monmarch´e, N, Ramat, E., Dromel, G., Slimane, M., and Venturini, G., "On the Similarities between AS, BSC and PBIL: Toward the Birth of a New Meta-heuristic", Technical Report 215, Laboratoire d’Informatique, Universit´e de Tours, 1999.

[85] Mühlenbein, H., “The Equation for Response to Selection and Its Use for Prediction”, Evolutionary Computation, vol. 5, no. 3, pp. 303-346, 1998.

[86] Mühlenbein, H., and Mahnig, T., “Evolutionary Algorithms: From Recombination to Search Distributions”, Theoretical Aspects of Evolutionary Computing, Springer Publication, 2001.

[87] Mühlenbein, H., and Mahnig, T., “The Factorized Distribution Algorithm for additively decomposed functions”, Proceedings of the 1999 Congress on Evolutionary Computation, IEEE press, pp. 752-759, 1999.

[88] Mühlenbein, H., and Paaß, G., “From Recombination of Genes to the Estimation of Distributions I. Binary Parameters”, In Lecture Notes in Computer Science 1411: Parallel Problem Solving from Nature-PPSN IV, pp. 178-187, 1996.

[89] Mühlenbein, H., and Pelikan, M., “The Bivariate Marginal Distribution Algorithm”, Advances in Soft Computing-Engineering Design and Manufacturing, pp. 521-535, 1999.

[90] Munetomi, M., Takai, Y., and Sato, Y., “StGA: An Application of Genetic Algorithm to Stochastic Learning Automata”, Syst. Comput. Jpn., vol. 27, pp. 68-78, 1996.

[91] Najim, K., and Poznyak, A. S., editors, Learning automata: theory and application, Tarrytown, New York: Elsevier Science Publishing Ltd., 1994.

[92] Najim, K., “Modeling and self-adjusting control of an absorption column,” International Journal of Adaptive Control and Signal Processing, vol. 5, pp. 335-345, 1991.

[93] Narendra, K.S., and Thathachar, M. A. L., “Learning automata a survey,” IEEE Transactions on Systems, Man and Cybernetics, vol. 4, no. 4, July 1974.

[94] Narendra, K. S., and Thathachar, M. A. L., Learning automata: An introduction, Prentice Hall, 1989. [95] Narendra, K.S., and Viswanathan, R., “Learning models using stochastic automata,” Proceedings of

International Conference of Cybernetics and Society, Washington DC, October 1972. [96] Nedzelnitsky, O. V., and Narendra, K. S., “Non-stationary models of learning automata routing in data

communication networks,” IEEE Transactions on Systems, Man and Cybernetics, vol. 6, pp. 1004–1015, November 1987.

[97] Oh, S., and Tcha, D., “Prioritized channel assignment in a cellular radio network,” IEEE Transactions on Communication, vol. 40, no. 7, pp. 1259–69, July 1992.

[98] Okada, K., and Kubota, F., “A proposal of a dynamic channel assignment strategy with information of moving directions,” IEICE Transactions Fundamentals, vol. E75-a, pp. 1667–1673, 1992.

[99] Okada, K., and Kubota, F., “Performance of a dynamic channel assignment algorithm with information of moving direction in mobile communication systems,” Proceedings of IEICE Spring National Convention, 1991.

[100] Oommen, B. J., and Ma, D. C. Y., “Deterministic learning automata solutions to equi-partioning problem,” IEEE Transactions on Computers, vol. 37, pp. 2-14, January 1988.

[101] Oommen, B. J., and Roberts, T. D., “Continuous learning automata solutions to the capacity assignment problem,” IEEE Transactions on Computers, vol. 49, pp. 608–620, June 2000.

[102] Oommen, B. J., and St., Croix, E. V. de, “Graph partitioning using learning automata,” IEEE Transcations on Computers, vol. 45, no. 2, pp. 195-208, 1996.

[103] Oommen, B. J., and St. Croix, E. V. de, “String taxonomy using learning automata,” IEEE Transactions on Systems, Man and Cybernetics, vol. 27, pp. 354-365, April 1997.

مراجع

108

[104] Oommen, B. J., and Agache, M., “Continuous and Discredited Pursuit Learning Schemes: Various Algorithms and Their Comparison”, IEEE Transactions on Systems, Man, and Cybernetics—Part B: Cybernetics, vol. 31, no. 3, pp. 277-287, June 2001.

[105] Peha, J. M., and Sutivong, A., “Admission control algorithms for cellular systems,” ACM Wireless Networks, vol. 7, no. 2, pp. 117-125, 2001.

[106] Pelikan, M., Goldberg, D. E., and Cant-Paz, E., “Linkage Problem, Distribution Estimation and Bayesian Networks”, Evolutionary Computation, vol. 8, no. 3, pp. 311-340, 2000.

[107] Pelikan, M., Goldberg, D. E., and Lobo, F., “A Survey of Optimization by Building and Using Probabilistic Model”, Illinois Genetic Algorithm Report, no. 99018, Illinois University, Illinois, USA, September 1999.

[108] Rastegar, R., and Meybodi, M. R., “A New Estimation of Distribution Algorithm based on Learnig Automata”, to appear in Iranian Journal of Electrical and Computer Engineering.

[109] Rastegar, R., and Meybodi, M. R., “A New Estimation of Distribution Algorithm based on Learning Automata”, to appear in proceedings of IEEE Conference in Advances Artificial Intelligence: Theory and Application (AISTA 2004), Luxemburg, October 2004.

[110] Rastegar, R., and Meybodi, M. R., “A New Evolutionary Computing Model based on Cellular Learning Automata”, to appear in proceedings of IEEE conference on Cybernetics and Intelligent Systems 2004 (CIS2004), Singapore, December 2004.

[111] Rastegar, R., and Meybodi, M. R., “LAEDA: A New Evolutionary Algorithm using Learning Automata”, accepted in 10th Annual International Computer Society of Iran Computer Conference CSICC2004, Sharif university, Tehran, Iran, 2004.

[112] Rastegar, R., Rahmati, M., and Meybodi, M. R., “A CLA-EC based Clustering Algorithm”, to appear in IEEE Conference in Advances Artificial Intelligence: Theory and Application (AISTA 2004), Luxemburg, October 2004.

[113] Rastegar. R., and Meybodi, M. R. “Cellular Q-Learning and Its Application in Wireless Cellular Network”, accepted in the sixth conference on Intelligent Systems, Iran, 2004.

[114] Riopka, T. P., and Bock, P., “Intelligent Recombination Using Individual Learning in a Collective Learning Genetic Algorithm”, In Proc. of the Genetic and Evolutionary Computation Conf. (GECCO-2000), pp. 104-111, Morgan Kaufmann, 2000.

[115] Rudolph, G., and Joachim, S., “A Cellular Genetic Algorithm with Self-Adjusting Acceptance Threshold”, Genetic Algorithms in Engineering Systems: Innovations and Applications, Conference Publication, no. 414, pp. 365-372, 1995.

[116] Saheb Zamani, M., Mehdipour, M., and Meybodi, M. R., "Implementation of Cellular Learning Automata on Reconfigurable Computing Systems", IEEE CCGEI 2003 Conference, Montreal, Canada, May 2003.

[117] Sathiya, S., and Ravindran, B., “A tutorial survey of reinforcement learning,” Department of Computer Science and Automation, Indian Institute of Science, Bangalore, 1994.

[118] Selim, S. Z., and Ismail, M. A., “K-means-type Algorithm: Generalized Convergence Theorem and Characterization of Local Optimality”, IEEE Transaction on Pattern Analysis and Machine Intelligence, vol 6, pp. 81-87, 1984.

[119] Senarath, G., and Everitt, D., “Performance of handover priority and queuing systems under different handover request strategies for microcellular mobile communication systems,” Proceedings of 45th IEEE Vehicular Technology Conference, pp. 897–901, 1995.

[120] Sequeira J., Bispo C., and Sentieiro J., “Distributed control of a flexible manufacturing plant using learning automata,” Proceedings of the IMACS/IFAC International Symposium on Parallel and Distributed Computing in Engineering Systems, Corfu, Greece, pp.327-332, June 1992.

[121] Singh Satinder, P., and Bertsekas, D., “Reinforcement learning for dynamic channel allocation in cellular telephone systems,” Proceedings Neural Information Processing Systems, pp. 974-980, Denver, U.S.A., December 1996.

[122] Smith, J., and Fogarty, T. C., “Self Adaptation of Mutation Rates in a Steady State Genetic Algorithm”, In Proc. 3rd IEEE Conf. on Evolutionary Comp. IEEE Press, 1996.

مراجع

109

[123] Srikantakumar P. R. and Narendra K. S., “A learning model for routing in telephone networks,” SIAM Journal of control and optimization, vol. 20, pp. 34–57, January 1982.

[124] Sutton, R. S., and Barto, A.G., Reinforcement learning: Introduction, MIT Press, 1998. [125] Syswerda, G., “Simulated Crossover in Genetic Algorithm”, FOGA-2, Morgan Kaufmann Publisher s

San Mateo, CA, pp. 232-255, 1992. [126] Syswerda, G., “Simulated Crossover in Genetic Algorithms”, Proceedings in Second Workshop on

Foundation of Genetic Algorithms, Morgan Kaufmann Publishers, San Mateo California, pp. 239-255, 1993.

[127] Tajima, J., and Imamura, K., “A strategy for flexible channel assignment in mobile communication Systems,” IEEE Transactions on Vehicular Technology, vol. 37, no. 2, pp. 92-103, 1988.

[128] Tekinay, S., and Jabbari, B., “Handover and channel assignment in mobile cellular networks,” IEEE Communications Magazine, vol. 29, 1991.

[129] Thathachar, M. A. L., and Bhaskar, R. H., "Learning automata with changing number of actions," IEEE Transactions on Systems, Man and Cybernetics, vol. 17, no. 6, November 1987.

[130] Thathachar, M. A. L., and Sastry, P. S., “Estimator Algorithms for Learning Automata”, Proceeding Platinum Jubilee Conferences on Systems and Signal Processing, Electrical Eng. Department, Indian Institute of Science, Bangalore, India, Dec. 1986.

[131] Thathachar, M. A. L., and Sastry, P. S., “Varieties of Learning Automata: An Overview”, IEEE Transaction on Systems, Man, and Cybernetics-Part B: Cybernetics, vol. 32, no. 6, pp. 711-722, 2002.

[132] Tomassini, M., “The Parallel Genetic Cellular Automata: Application to Global function Optimization”, in proceedings of International Artificial Neural Nets and Genetic Algorithms Conference, Austria, pp. 385-391, Springer, Wein, 1993.

[133] Tsetlin, M. L., Automaton theory and modeling of biological systems, New York: Academic Press, 1973.

[134] Tsoularis, A., Kambhampati, C., and Warwick, K., “Path planning of robots in noisy workspaces using learning automata,” Proceedings of the IEEE International Symposium of Intelligent Control, Chicago, 1993.

[135] Tsypkin, Ya. Z., Adaptation and learning in automatic systems, New York: Academic Press, 1971. [136] Varshavski, V. I., and Vorontsova, I.P., “On the behavior of stochastic automata with variable

structure,” Avtomatika & Telemechanika, vol. 24, pp. 353-360, 1963. [137] Viswanathan, R., and Narendra, K. S., “Expedient and optimal variable structure stochastic automata,”

Technical report CT-31, Dunham Lab., Yale University, New Haven, Connecticut, U.S.A., April 1970. [138] Viswanathan, R., and Narendra, K. S., “Stochastic automata models with applications to learning

systems,” IEEE Transactions on Systems, Man and Cybernetics, pp. 107-11, January 1973. [139] Whitley, D., Gordon, V. S., and Mathias, K., “Lamarckian Evolution, The Baldwin Effect and Function

Optimization”, Parallel Problem Solving from Nature III, Springer-Verlag, 1994. [140] Wolfram, S., Cellular Automata and Complexity, Perseus Books Group, 1994. [141] Wu, Si, Michael, Wong, K. Y., and Li, Bo, “A dynamic call admission policy with precision QoS

guarantee using stochastic control for mobile wireless network,” IEEE/ACM Transactions on Networking, vol. 10, no. 2, pp. 257-271, April 2002.

[142] Yu, O. and Leung, V., “Self-Tuning prioritized call handling mechanism with dynamic guard channel for mobile cellular system,” Proceedings of IEEE Vehicular Technology Conference, pp.1520-1524, April 1996.

[143] Zhang, M., and Yum, T.P., "Comparison of channel assignment strategies in cellular mobile telephone systems," IEEE Transactions on Vehicular Technology, vol. 38, no. 4, pp. 211-215, 1989.

[144] Zhang, M., and Yum, T.P., “The non-uniform compact pattern allocation algorithm for cellular mobile systems,” IEEE Transactions on Vehicular Technology, vol. 40, 1991, pp. 387–91.

افزار، دانشكده نرم‐نامه كارشناسي ارشد مهندسي كامپيوتر نژاد ترگل، تخصيص فازي كانال پويا در سيستم موبايل سلولي، پايان انوري ]١٤٥[ .۱۳۸۲كامپيوتر و فناوري اطالعات، دانشگاه صنعتي اميركبير، تهران، ايران، شهريور

واژه نامه

110

نامه واژه .۱۰انگليسي فارسي

Adjacent همسايه

Allocation تخصيص

Assignment تخصيص

Awareness آگاهي

Bandwidth باندپهناي

Base station پايهايستگاه

Blocked call شدهرددرخواست

Blocking probability درخواست[ رد احتمال[

Borrowing كردنقرض

Call درخواست

Call blocking رد درخواست

Call time مدت زمان درخواست

Carrier حاملموج

CDMA (Code Division Multiple Access) كد دستيابي چندگانهتقسيم

Cell سلول

Cellular network سلوليشبكه

Cellular phone همراهتلفن( سلولي تلفن (

Centralized متمركز

Channel كانال

Channel borrowing كردن كانالقرض

Channel fading شدن كانالمحو Cluster خوشه

Co-cell سلول هم Co‐channel كانال هم

Co-Channel interference كانال هم ]ناشي از[تداخل

Communications ارتباطات DDCA (Distributed Dynamic Channel Assignment/Allocation )

كانال پوياي توزيع شدهتخصيص

Dedicated اختصاصي

Deterministic قطعي

Distributed شده توزيع

Dropping probability درخواست[احتمال قطع[

Dwell time مدت زمان اقامت

واژه نامه

111

Dynamic Channel Assignment/Allocation (DCA) كانال پوياتخصيص

Estimation of Distribution Algorithms الگوريتمهاي تخمين توزيع

Evolutionary Algorithm ليآلگوريتم تكام

FCA (Fixed Channel Assignment/Allocation) كانال ثابتتخصيص

FDMA (Frequency Division Multiple Access) فركانس دستيابي چندگانهتقسيم

Fixed Structure Automata اتوماتاي ساختار ثابت

Forced call termination درخواست اجباري )اتمهخ(قطع

Frequency فركانس

Frequency reuse مجدد از فركانساستفاده

Global System for Mobile communication (GSM) جهاني ارتباطات سيارسيستم

Genome ژنوم

Gene نژ

Hand over كانال[ تحويل[

Hybrid تركيبي

Hybrid Channel Allocation (HCA) كانال تركيبيتخصيص

Interference تداخل

Intracell handoff تحويل كانال درون سلولي

Learning algorithm الگوريتم يادگيري

Messaging رسانيپيغام

Mobile سيار

Mobile station سيارايستگاه

Mobility تحرك

Modulation تلفيق

Neighbor همسايه

Non-Stationary غير ايستا

Orthogonal متعامد

PCN (Personal Communications Network) ارتباطات شخصيشبكه

PCS (Personal Communications Services) ارتباطات شخصيسرويسهاي

Power توان

Reuse constraints محدوديت استفاده مجدد

Reuse distance استفاده مجددفاصله

Self organized خود سازمانده

Self tuning خود تنظيم

Shared مشترك، اشتراكي

Signal سيگنال

Signal strength measurements سيگنالگيري توان اندازه

واژه نامه

112

State حالت

Stationary ايستا

Stochastic تصادفي

Stochastic Automata اتوماتاي تصادفي

Stochastic Learning Automata اتوماتاي تصادفي يادگير

Sub-Optimal زير بهينه

Supervised learning ي با نظارتيادگير

TDMA (Time Division Multiple Access) زمان دستيابي چندگانهتقسيم

Telecommunication مخابرات

Transmitter فرستنده

Unfavorable نامطلوب

Variable Structure Learning Automata اتوماتاي يادگير ساختار متغير

Wide band PCS اند ارتباطات خصوصي پهن بسيستمهاي

مقاالت

113

مقاالت نوشته شده براساس اين پايان نامه .۱۱

[1] Rastegar, R., and Meybodi M. R., "A Short Study on Dynamical Properties of Population-Based Incremental Learning with Infinite Population Size”, Accepted in International Conference on Hybrid Intelligent Systems (HIS 2004), Japan, 2004. [2] Rastegar, R., and Meybodi, M. R., “A New Estimation of Distribution Algorithm based on Learning Automata”, to appear in Iranian Journal of Electrical and Computer Engineering. [3] Rastegar, R., Meybodi M. R., and Badie, K., “A Learning Automata based Particle Swarm Optimization”, to appear in proceedings of International Conference on Machine Learning and Applications (ICMLA2004), US, December 2004. [4] Rastegar, R., Rahmati, M., and Meybodi, M. R., “A CLA-EC based Clustering Algorithm”, to appear in IEEE Conference in Advances Artificial Intelligence: Theory and Application (AISTA 2004), Luxemburg, October 2004. [5] Rastegar, R., and Meybodi, M. R., “A New Estimation of Distribution Algorithm based on Learning Automata”, to appear in proceedings of IEEE Conference in Advances Artificial Intelligence: Theory and Application (AISTA 2004), Luxemburg, October 2004. (Poster) [6] Rastegar, R., and Meybodi, M. R., “A New Evolutionary Computing Model based on Cellular Learning Automata”, to appear in proceedings of IEEE conference on Cybernetics and Intelligent Systems 2004 (CIS2004), Singapore, December 2004. [7] Rastegar, R., and Meybodi, M. R., “LAEDA: A New Estimation of Distribution Algorithm”, in proceeding of 9th Annual International Computer Society of Iran Computer Conference (CSICC2004), Iran, pp. 456-464, Jan 2004. [8] Rastegar. R., and Meybodi, M. R. “Cellular Q-Learning and Its Application in Wireless Cellular Network”, accepted in the sixth conference on Intelligent Systems, Iran, 2004. [9] Rastegar, R., and Meybodi M. R., "A Note on Population-Based Incremental Learning with Infinite Population Size”, submitted to International Journal on Complex Systems. [10] Rastegar, R., and Meybodi M. R., "CLA-EC: A New Model for Evolutionary Computing”, Submitted to Evolutionary Computation, MIT Press. (July 2004) [11] Rastegar, R., Rahmati, M, and Meybodi, M. R., “A CLA-EC based Clustering Algorithm”, Submitted to Pattern Recognition Letters. (August 2004) [12] Rastegar, R., and Meybodi M. R., "Some Results on the Global Convergence Time Complexity of Estimation of Distribution Algorithms”, submitted to Evolutionary Computation, MIT Press. (Nov 2004) [13] Hariri, A., Rastegar, R., Saheb Zamani, M. R., and Meybodi, M. R., “A Parallel Hardware Implementation of CLA-EC on FPGA”, Technical Report, Computer Eng. Department, Amirkabir university, 2004. [14] Masoudifar, B., Rastegar, R., and Meybodi, M. R., “Asynchronoues Cellular Learning Automata based Evolutionary Algorithm”, Technical Report, Computer Eng. Department, Amirkabir university, 2004.