Finally, DFES-AODV and FSARSA-AODV

Finally, DFES-AODV and FSARSA-AODV achieve very close results in terms of PDR, THNED and EED metrics. In addition, DFES-AODV and FSARSA-AODV do not differ much in terms of energy efficiency. It can be concluded that the dynamic fuzzy model ensures similar performance to the reinforcement leaning model. However, in comparison to DFES-AODV, there are many parameters to be adjusted in FSARSA-AODV, namely: learning rate, discount factor and temperature parameter. Therefore, the use of DFES-AODV for adaptive energy aware routing in MANETs is recommended.

ผลลัพธ์ (ไทย) 1:

สุดท้าย DFES AODV และ FSARSA AODV บรรลุผลลัพธ์ดีในวัดลาว THNED และ EED แห่ง DFES AODV และ FSARSA AODV ไม่แตกต่างกันมากในแง่ของประสิทธิภาพการใช้พลังงาน ก็สามารถสรุปได้ว่า แบบไดนามิกเอิบมั่นใจประสิทธิภาพการทำงานคล้ายกับรูปแบบลำเสริม อย่างไรก็ตาม โดย DFES AODV มีหลายพารามิเตอร์ต้องปรับใน FSARSA-AODV คือ: อัตราการเรียนรู้ ลดสัดส่วนและอุณหภูมิพารามิเตอร์ ดังนั้น ใช้ของ DFES AODV พลังงานตระหนักถึงสายงานการผลิตใน MANETs แบบอะแดปทีฟแนะนำ

ผลลัพธ์ (ไทย) 2:

สุดท้าย DfES-AODV และ FSARSA-AODV บรรลุผลอย่างใกล้ชิดในแง่ของสปป, THNED และตัวชี้วัด EED นอกจากนี้ DfES-AODV และ FSARSA-AODV ไม่แตกต่างกันมากในแง่ของประสิทธิภาพการใช้พลังงาน จึงสามารถสรุปได้ว่ารูปแบบเลือนแบบไดนามิกทำให้ประสิทธิภาพการทำงานคล้ายกับรูปแบบการเสริมแรงพิง อย่างไรก็ตามในการเปรียบเทียบกับ DfES-AODV มีปัจจัยหลายประการที่จะปรับเปลี่ยนใน FSARSA-AODV ได้แก่ อัตราการเรียนรู้ปัจจัยส่วนลดและพารามิเตอร์อุณหภูมิ ดังนั้นการใช้ DfES-AODV สำหรับเส้นทางพลังงานปรับตัวตระหนักใน MANETs จะแนะนำ

ผลลัพธ์ (ไทย) 3:

ในที่สุด dfes-aodv fsarsa-aodv อย่างใกล้ชิดและบรรลุผลในแง่ของ สปป.ลาว และอี๊ด thned , มาตรวัด นอกจากนี้ dfes-aodv และ fsarsa-aodv ไม่แตกต่างกันมากในแง่ของประสิทธิภาพการใช้พลังงาน สรุปได้ว่าแบบจำลองฟัซซีแบบไดนามิกช่วยให้มั่นใจในประสิทธิภาพการเสริมแรงเอียงคล้ายกับรุ่น อย่างไรก็ตาม ในการเปรียบเทียบกับ dfes-aodv มีหลายตัวแปรเพื่อปรับ fsarsa-aodv ,คืออัตราการเรียนรู้ปัจจัยส่วนลดและค่าอุณหภูมิ ดังนั้น การใช้พลังงาน เพื่อปรับตัว dfes-aodv ทราบเส้นทางใน manets แนะนํา