یک چارچوب ترکیبی الگوریتم ژنتیک – یادگیری تقویتی عمیق برای مسیریابی چند هدفه مبتنی برهوش مصنوعی در شبکه های مخابراتی و ارزیابی کارایی با استفاده از تحلیل پوششی داده ها

چکیده

مسیریابی بهینه در شبکه‌های مخابراتی با اهداف متضاد بیشینه‌سازی جریان و کمینه‌سازی هزینه، یک مسئله چندهدفه پیچیده است. این مقاله یک چارچوب ترکیبی نوآورانه ارائه می‌دهد که در آن از الگوریتم ژنتیک (GA) برای طراحی خودکار معماری و تنظیم فراپارامترهای یک عامل یادگیری تقویتی عمیق (DRL) استفاده می‌شود. عامل DRL برای حل مسئله مسیریابی در یک محیط پویا آموزش می‌بیند. برای ارزیابی دقیق و چندجانبه عملکرد الگوریتم‌های مختلف، از تحلیل پوششی داده‌ها (DEA) به عنوان یک ابزار تصمیم‌گیری چندمعیاره استفاده شده است. نتایج نشان می‌دهد که چارچوب پیشنهادی (GA-DRL) به طور قابل توجهی کارایی بالاتری نسبت به الگوریتم‌های رقیب دارد و تحلیل DEA بینش عمیقی برای انتخاب بهترین الگوریتم بر اساس معیارهای مختلف ارائه می‌دهد.