Majority of proposed adaptive routi

Majority of proposed adaptive routing protocols use techniques derived from computational intelligence (CI) discipline. However,due to limited energy and computation resources in MANETs, some CI techniques are more suitable. This includes swarm intelligence[4,5], reinforcement learning [6–9] and fuzzy logic [10]. The main focus of this paper is on the use of fuzzy logic and reinforcement learning. Particularly, the following questions are answered. Firstly,which CI paradigm is more appropriate for adaptive energy efficient routing in MANETs: fuzzy logic or reinforcement learning? Secondly, does the combination of both paradigms ensure significant improvement? In fact, research in adaptation and hybridization in computational intelligence is receiving growing interest. Examples of recent related works include extensions of: krill herd algorithm[11–16], particle swarm optimization [17,18] and cuckoo search algorithm [19,20].

ผลลัพธ์ (ไทย) 1:

ส่วนใหญ่ของโพรโทคอสายงานการผลิตเหมาะสมเสนอใช้เทคนิคจากสาขาวิชาการระบบสารสนเทศคอมพิวเตอร์ (CI) อย่างไรก็ตาม จำกัดพลังงานและทรัพยากรในการคำนวณใน MANETs เทคนิคบาง CI ได้เหมาะ นี้มีปัญญาบินว่อน [4,5], [6-9] เรียนเสริมและตรรกศาสตร์ [10] โฟกัสหลักของเอกสารนี้คือการใช้ตรรกศาสตร์และเรียนเสริม โดยเฉพาะ จะตอบคำถามต่อไปนี้ ประการแรก CI กระบวนทัศน์ที่เหมาะสมมากสำหรับสายงานการผลิตใน MANETs ประหยัดพลังงานเหมาะสม: เอิบตรรกะหรือเสริมการเรียนรู้ ประการที่สอง การรวมกันของ paradigms ทั้งใจปรับปรุงอย่างมีนัยสำคัญ ในความเป็นจริง วิจัยในการปรับตัว และ hybridization ในระบบสารสนเทศคอมพิวเตอร์ได้รับดอกเบี้ยเพิ่มขึ้น ตัวอย่างของผลงานล่าสุดที่เกี่ยวข้องรวมถึงส่วนขยายของ: เคยกวาดต้อนอัลกอริทึม [11-16], เพิ่มประสิทธิภาพในการบินว่อนอนุภาค [17,18] และอัลกอริทึมค้นหา cuckoo [19,20]

ผลลัพธ์ (ไทย) 2:

ส่วนใหญ่ของโปรโตคอลเส้นทางการปรับตัวที่นำเสนอการใช้เทคนิคที่ได้มาจากการคำนวณปัญญา (CI) มีระเบียบวินัย แต่เนื่องจากการใช้พลังงานและทรัพยากรที่ จำกัด ในการคำนวณ MANETs บางเทคนิค CI มีความเหมาะสมมาก ซึ่งรวมถึงการหน่วยสืบราชการลับฝูง [4,5] เสริมการเรียนรู้ [6-9] และตรรกศาสตร์ [10] เน้นหลักของการวิจัยนี้คือการใช้ตรรกะคลุมเครือและการเรียนรู้การเสริมแรง โดยเฉพาะอย่างยิ่งคำถามต่อไปนี้มีคำตอบ ประการแรกซึ่งกระบวนทัศน์ CI มีความเหมาะสมสำหรับการกำหนดเส้นทางที่มีประสิทธิภาพพลังงานในการปรับตัว MANETs: ตรรกศาสตร์หรือการเรียนรู้การเสริมแรง? ประการที่สองไม่รวมกันของทั้งสองกระบวนทัศน์ให้แน่ใจว่าการปรับปรุงที่สำคัญหรือไม่ ในความเป็นจริงการวิจัยในการปรับตัวและการผสมพันธุ์ในด้านปัญญาคำนวณจะได้รับความสนใจเพิ่มขึ้น ตัวอย่างผลงานที่เกี่ยวข้องรวมถึงที่ผ่านมาขยาย: ขั้นตอนวิธีฝูงเคย [11-16], การเพิ่มประสิทธิภาพจับกลุ่มอนุภาค [17,18] และวิธีการค้นหานกกาเหว่า [19,20]

ผลลัพธ์ (ไทย) 3:

ส่วนใหญ่เสนอปรับเส้นทางโปรโตคอลใช้เทคนิคที่ได้จากปัญญาเชิงคำนวณ ( CI ) วินัย อย่างไรก็ตาม เนื่องจากการจำกัดพลังงานและทรัพยากรการคำนวณใน manets บางเทคนิค CI จะเหมาะสมกว่า ซึ่งรวมถึง ฝูงฉลาด [ 4 , 5 ] , การเรียนรู้แบบเสริมกำลัง [ 6 – 9 ] และตรรกศาสตร์ [ 10 ]จุดสนใจหลักของบทความนี้คือการใช้ตรรกศาสตร์คลุมเครือและเสริมการเรียนรู้ โดยเฉพาะ คำถามต่อไปนี้จะตอบ ประการแรก ซึ่งกระบวนทัศน์ CI เพิ่มเติมที่เหมาะสมสำหรับการประหยัดพลังงาน การจัดเส้นทางใน manets : ตรรกศาสตร์หรือเสริมการเรียนรู้ ประการที่สอง มีการรวมกันของทั้งสองแนวคิดแนวทางสําคัญ ? ในความเป็นจริงการวิจัยในการปรับตัวและผสมผสานของคอมพิวเตอร์ได้รับความสนใจมากขึ้น . ตัวอย่างของผลงานล่าสุดที่เกี่ยวข้องรวมถึงส่วนขยายของอัลกอริทึม : กุ้งเคยฝูง [ 11 – 16 ] ฝูงอนุภาคเพิ่มประสิทธิภาพ [ 17,18 ] และบริการค้นหาขั้นตอนวิธี [ 19,20 ]