Алгоритм маршрутизации семейства Q-routing, основанный на динамическом изменении коэффициентов обучения за счет оценки средней задержки в сети

Авторы

  • Ю.А. Шилова Пермский национальный исследовательский политехнический университет

DOI:

Ключевые слова:

Q-routing, сеть, маршрутизация, алгоритм, коэффициент обучения

Аннотация

Разработан алгоритм маршрутизации Adaptive Rate Full Echo, относящийся к семейству Q-routing, который по итогам имитационного моделирования показал хорошие результаты. Этот алгоритм основан на динамическом изменении коэффициентов обучения за счет оценки средней задержки в сети. Приводится краткий обзор различных протоколов и алгоритмов маршрутизации, дается более подробное описание базового алгоритма Q-routing.

Биография автора

  • Ю.А. Шилова, Пермский национальный исследовательский политехнический университет
    магистрант группы Телекоммуникации1-13-1м, Пермский национальный исследовательский политехнический университет (ПНИПУ), 614013, г. Пермь, ул. Профессора Поздеева, 7; e-mail: marissaspiritte@mail.ru

Библиографические ссылки

  1. Boyan J.A., Littman M.L. Packet routing in dynamically changing networks: A reinforcement learning approach // Advances in neural information processing systems. - 1994. - P. 671-671.
  2. Sutton R., Barto A.G. Reinforcement Learning: An Introduction: - Cambridge : MIT Press, 1998. - 328 p.
  3. Винокуров В.М., Пуговкин А.В. Маршрутизация в беспроводных мобильных Ad hoc-сетях // Доклады ТУСУРа, № 2 (22), ч. 1, декабрь 2010, с. 288-292.
  4. Desai R., Patil B.P. Reinforcement learning for adaptive network routing //Computing for Sustainable Global Development (INDIACom), 2014 International Conference on. - IEEE, 2014. - P. 815-818.
  5. Шилова Ю.А., Кавалеров М.В. Исследование влияния параметра скорости обучения на результаты работы алгоритма маршрутизации Q-routing // Инновационные технологии: теория, инструменты, практика: Сб. тр. международн. конф.  Пермь, ПНИПУ, 2015.  С. 172179.
  6. Некруткин В.В. Моделирование распределений. - [Электрон. данные]. - 90 с.
  7. Choi S., Yeung D.Y. Predictive Q-routing: A memory-based reinforcement learning approach to adaptive traffic control // Advances in Neural Information Processing Systems. - 1996. - Т. 8. - P. 945-951.
  8. Kumar S., Miikkulainen R. Dual Reinforcement Q-routing: An On-Line Adaptive routing Algorithm // In Proceedings of the Artificial Neural Networks in Engineering Conference (St. Louis), 1997. - P. 231-238.
  9. Tao N., Baxter J., Weaver L. A multi-agent, policy-gradient approach to network routing // In Proceedings of the 18th Int. Conf. on Machine Learning. - 2001. - P. 553-560.
  10. Subramanian D., Druschel P., Chen J. Ants and reinforcement learning: A case study in routing in dynamic networks // IJCAI (2). - 1997. - P. 832-839.

Загрузки

Опубликован

2015-10-14

Выпуск

№ 2 (2015)

Раздел

Исследования: теория и эксперимент

Как цитировать

Шилова, Ю. (2015). Алгоритм маршрутизации семейства Q-routing, основанный на динамическом изменении коэффициентов обучения за счет оценки средней задержки в сети. Вестник Пермского федерального исследовательского центра, 2, 79-93. https://journal.permsc.ru/index.php/pscj/article/view/PSCJ2015n2p13