10388

مسيريابي در شبكه هاي مخابراتي با استفاده از يادگيري تقويتي

1400

شاهرخ فرهمند

يادگيري ماشين مجموعه اي از روش ها و الگوريتم هايي در هوش مصنوعي است كه با يادگيري از مجموعه اي از داده ها، قادر به پيش بيني داده ها و يا ساخت آن ها مي باشد. يادگيري ماشين براي فعاليت هايي مانند طبقه بندي و رگرسيون ، نتايج بهتري نسبت به روش هاي ابتكاري ارائه مي دهد. يادگيري تقويتي يك زير مجموعه از يادگيري ماشين است كه چارچوبي را فراهم مي كند كه توسط آن سيستم مي تواند از تعاملات قبلي خود با محيط بياموزد تا به طور موثر اقدامات خود در آينده را انتخاب كند. از آنجا كه با توجه به پيشرفت روزافزون كاربرد شبكه هاي مخابراتي و افزايش ترافيك در اين شبكه ها، بررسي و طراحي الگوريتم هاي مسيريابي يكي از دغدغه هاي اصلي در طراحي و بهينه سازي شبكه هاي مخابراتي است، در اين سمينار تمركز بيشتري روي اين قضيه صورت مي گيرد. در اين الگوريتم ها تلاش بر يادگيري شبكه هاي پيچيده و پويا كه توپولوژي ثابتي ندارند و نيز داراي ترافيك متغير هستند، با استفاده از روش يادگيري تقويتي شده است. از مزاياي اين الگوريتم ها ميتوان به پيش بيني و كنترل ترافيك شبكه، جلوگيري از ازدحام و تطابق پذيري مسيريابي بسته هاي اطلاعاتي در شبكه هاي متغير مخابراتي و در نهايت توزيع شده بودن ساختار بعضي از اين الگوريتم ها اشاره كرد كه باعث بهينه سازي شبكه و نزديك تر شدن طراحي شبكه به شرايط واقعي مي شود. در اين سمينار ابتدا اهداف كلي و انواع روش هاي مسيريابي در شبكه هاي مخابراتي بحث مي شود و سپس در ادامه آن تعدادي از الگوريتم هاي مسيريابي مبتني بر يادگيري تقويتي و همچنين يادگيري تقويتي عميق ارائه خواهد شد. يادگيري عميق يك زير مجموعه از يادگيري ماشين است كه در آن از الگوريتم هاي شبكه هاي عصبي مصنوعي بهره مي برد كه حل مسائل پيچيده تري را ممكن مي كند. پيشرفت حاصل شده در يادگيري تقويتي عميق فرصت جديدي را براي طراحي بسياري از الگوريتم هاي مسيريابي مبتني بر يادگيري تقويتي فراهم مي كند كه مي تواند در يادگيري شبكه هاي پيچيده تر، مفيدتر واقع شود. هر كدام از اين الگوريتم ها مزايا و ويژگي هاي خاص خود را دارند كه در ادامه سمينار به تعدادي از آن ها پرداخته خواهد شد. يادگيري ماشين مجموعه اي از روش ها و الگوريتم هايي در هوش مصنوعي است كه با يادگيري از مجموعه اي از داده ها، قادر به پيش بيني داده ها و يا ساخت آن ها مي باشد. يادگيري ماشين براي فعاليت هايي مانند طبقه بندي و رگرسيون ، نتايج بهتري نسبت به روش هاي ابتكاري ارائه مي دهد. يادگيري تقويتي يك زير مجموعه از يادگيري ماشين است كه چارچوبي را فراهم مي كند كه توسط آن سيستم مي تواند از تعاملات قبلي خود با محيط بياموزد تا به طور موثر اقدامات خود در آينده را انتخاب كند. از آنجا كه با توجه به پيشرفت روزافزون كاربرد شبكه هاي مخابراتي و افزايش ترافيك در اين شبكه ها، بررسي و طراحي الگوريتم هاي مسيريابي يكي از دغدغه هاي اصلي در طراحي و بهينه سازي شبكه هاي مخابراتي است، در اين سمينار تمركز بيشتري روي اين قضيه صورت مي گيرد. در اين الگوريتم ها تلاش بر يادگيري شبكه هاي پيچيده و پويا كه توپولوژي ثابتي ندارند و نيز داراي ترافيك متغير هستند، با استفاده از روش يادگيري تقويتي شده است. از مزاياي اين الگوريتم ها ميتوان به پيش بيني و كنترل ترافيك شبكه، جلوگيري از ازدحام و تطابق پذيري مسيريابي بسته هاي اطلاعاتي در شبكه هاي متغير مخابراتي و در نهايت توزيع شده بودن ساختار بعضي از اين الگوريتم ها اشاره كرد كه باعث بهينه سازي شبكه و نزديك تر شدن طراحي شبكه به شرايط واقعي مي شود. در اين سمينار ابتدا اهداف كلي و انواع روش هاي مسيريابي در شبكه هاي مخابراتي بحث مي شود و سپس در ادامه آن تعدادي از الگوريتم هاي مسيريابي مبتني بر يادگيري تقويتي و همچنين يادگيري تقويتي عميق ارائه خواهد شد. يادگيري عميق يك زير مجموعه از يادگيري ماشين است كه در آن از الگوريتم هاي شبكه هاي عصبي مصنوعي بهره مي برد كه حل مسائل پيچيده تري را ممكن مي كند. پيشرفت حاصل شده در يادگيري تقويتي عميق فرصت جديدي را براي طراحي بسياري از الگوريتم هاي مسيريابي مبتني بر يادگيري تقويتي فراهم مي كند كه مي تواند در يادگيري شبكه هاي پيچيده تر، مفيدتر واقع شود. هر كدام از اين الگوريتم ها مزايا و ويژگي هاي خاص خود را دارند كه در ادامه سمينار به تعدادي از آن ها پرداخته خواهد شد.

12/8/2021 12:00:00 AM

73728

1400/10/16

Reinforcement Learning For Routing In Communication Networks