ارائه یک الگوریتم مسیریابی جدید مبتنی بر الگوریتم‌های ژنتیک و تبرید شبیه‌سازی‌شده برای شبکه‌های موردی بین‌خودرویی

در سال‌های اخیر شبکه‌های موردی بین‌خودرویی به‌عنوان یک فناوری نوظهور سعی کرده است با کنترل هوشمند ترافیک، تعداد تصادفات خودروها را کاهش دهد. در این شبکه‌ها حرکت سریع خودروها، پویایی توپولوژی و محدودیت‌های منابع شبکه، مسیریابی را به یک چالش اساسی تبدیل کرده، لذا ارائه یک الگوریتم مسیریابی پایدار و مطمئن یک راه‌کار مناسب برای حفظ پارامترهای کیفیت سرویس خدمات این شبکه‌ها است. در این مقاله یک الگوریتم مسیریابی جدید مبتنی بر خوشه‌ بندی به نام gcar بر اساس الگوریتم ژنتیک ارائه می‌شود که ابتدا خودروها در یک زیرساخت مبتنی بر خوشه‌ های پویا قرار می‌ گیرند و سپس با انتخاب دو خودرو در هر خوشه به‌عنوان خودروهای دروازه بین خوشه‌ های همسایه، یک زنجیره خودرویی تشکیل می‌شود. همچنین برای خوشه ‌بندی از ترکیب الگوریتم ژنتیک و الگوریتم تبرید شبیه ‌سازی‌شده استفاده می‌شود که سعی می‌کنند سرخوشه‌های مناسب را شناسایی کنند. نتایج شبیه ‌سازی‌ های انجام‌شده در نرم‌افزار متلب نشان می ‌دهد که به‌طور متوسط نرخ کشف مسیر الگوریتم پیشنهادی %18.4، تعداد خوشه ایجاد‌شده 2.55%، توان عملیاتی 3.45% و نرخ دریافت صحیح بسته‌ها 14.18% نسبت به رویکرد passcar عملکرد بهتری دارد. همچنین ارزیابی هم‌گرایی، انحراف معیار و خطای استاندارد الگوریتم پیشنهادی اثبات‌کننده سرعت هم‌گرایی و پایداری بالای آن است.

a new hybrid routing algorithm based on genetic algorithm and simulated annealing for vehicular ad hoc networks

in recent years, vehicular adhoc networks (vanet) as an emerging technology have tried to reduce road damage and car accidents through intelligent traffic controlling. in these networks, the rapid movement of vehicles, topology dynamics, and the limitations of network resources engender critical challenges in the routing process. therefore, providing a stable and reliable routing algorithm is a necessary requirement to maintain the quality of service (qos) parameters of vanets. in this paper, a new routing algorithm based on the clustering technique is proposed, which is called gcar. in the proposed algorithm, the appropriate cluster heads are selected based on the genetic algorithm then two vehicles are selected between the neighboring clusters as the gateways and a vehicle chain is formed by these vehicles. moreover, a combination of genetic algorithm and simulated annealing is applied to identify the suitable clusters. the conducted simulations in matlab tool indicate that, respectively, path discovery ratio, the number of clusters, throughput, and packet delivery ratio of the proposed algorithm have been improved by 18.4%, 2.55%, 3.45%, and 14.18% in comparison to the passcar approach. furthermore, evaluation of the convergence, standard deviation, and standard error of the proposed algorithm prove its high convergence speed and stability.