fa روش نوین مسیریابی چندپخشی مبتنی بر منطق فازی و یادگیری تقویتی در شبکه‌های مش بی‌سیم چندرادیویی و چندکاناله مخابرات Communication پژوهشي Research <span style="font-size:13pt"><span style="direction:rtl"><span style="unicode-bidi:embed"><span style="font-family:&quot;Times New Roman&quot;,serif"><span style="font-weight:bold"><span lang="FA" style="font-size:11.0pt"><span style="font-family:&quot;B Nazanin&quot;">در شبکه‌های مش بی‌سیم چندرادیویی و چندکاناله </span></span><span dir="LTR" style="font-size:10.0pt"><span style="font-weight:normal">(MR-MC WMNs)</span></span><span lang="FA" style="font-size:11.0pt"><span style="font-family:&quot;B Nazanin&quot;">، استفاده از گره‌های چند رادیویی که به کانال‌های غیرهمپوشان متصل هستند، موجب افزایش ظرفیت شبکه و بهبود پهنای باند قابل‌دسترس می‌شود؛ با این حال، در شرایطی که تعداد رادیوها بیشتر از تعداد کانال‌ها باشد، تداخل میان لینک‌ها اجتناب‌ناپذیر بوده و عملکرد شبکه را کاهش می‌دهد. این مطالعه با هدف بهینه‌سازی عملکرد شبکه در شرایط ترافیک بالا و محیط‌های چندکاناله، الگوریتمی با عنوان مسیریابی مبتنی بر منطق فازی و یادگیری تقویتی</span></span><span dir="LTR" style="font-size:10.0pt"><span style="font-weight:normal"> (RLFLBRA) </span></span><span lang="FA" style="font-size:11.0pt"><span style="font-family:&quot;B Nazanin&quot;">ارائه می‌دهد که با بهره‌گیری از سه ورودی فازی شامل سطح تداخل، پهنای باند در دسترس و تعداد گام‌های مسیر، مسیرهای بهینه برای ارسال چندپخشی را انتخاب می&shy;کند. این الگوریتم با درنظر گرفتن آگاهی از تداخل، منجر به استفاده مؤثرتر از منابع شبکه می‌شود. کارایی روش پیشنهادی از طریق شبیه‌سازی در نرم‌افزار</span></span><span dir="LTR" style="font-size:10.0pt"><span style="font-weight:normal"> OPNET </span></span><span lang="FA" style="font-size:11.0pt"><span style="font-family:&quot;B Nazanin&quot;">نسخه 10.5 و با مقایسه با پروتکل‌های مرجع نظیر</span></span><span dir="LTR" style="font-size:10.0pt"><span style="font-weight:normal"> CAMF </span></span><span lang="FA" style="font-size:11.0pt"><span style="font-family:&quot;B Nazanin&quot;">و</span></span><span dir="LTR" style="font-size:10.0pt"><span style="font-weight:normal"> FB_MR </span></span><span lang="FA" style="font-size:11.0pt"><span style="font-family:&quot;B Nazanin&quot;">بررسی شده است. نتایج حاکی از بهبود قابل‌توجه در شاخص‌هایی مانند نرخ گذردهی، نسبت تحویل بسته، و تأخیر انتها به انتها هستند</span></span><span dir="LTR" style="font-size:10.0pt"><span style="font-weight:normal">.</span></span><span lang="FA" style="font-size:11.0pt"><span style="font-family:&quot;B Nazanin&quot;"></span></span></span></span></span></span></span> <span style="font-size:10pt"><span style="font-family:&quot;Times New Roman&quot;,serif"><span style="color:black">In multi-radio multi-channel wireless mesh networks (MR-MC WMNs), the use of multi-radio nodes operating on non-overlapping channels significantly increases network capacity and improves available bandwidth. However, when the number of radios exceeds the number of available channels, channel reuse leads to inevitable link interference, which degrades overall network performance. This study aims to optimize network performance under high traffic conditions and multi-channel environments by proposing a routing algorithm called Reinforcement Learning and Fuzzy Logic-Based Routing Algorithm (RLFLBRA). The algorithm uses three fuzzy input variables interference level, available bandwidth, and hop count to select optimal multicast paths. By incorporating interference awareness into the routing process, the algorithm enables more efficient use of network resources. The effectiveness of the proposed approach is evaluated through simulations using OPNET version 10.5 and compared with benchmark protocols such as CAMF and FB_MR. The results demonstrate significant improvements in key metrics including throughput, packet delivery ratio, and end-to-end delay.</span></span></span><br> &nbsp; شبکه‌های مش بی‌سیم, چندپخشی, چندرادیویی, چندکاناله, منطق فازی, یادگیری تقویتی Wireless Mesh Networks, Multicasting, Multi-Radio, Multi-Channel, Fuzzy Logic, Reinforcement Learning. 3 15 http://jiaeee.com/browse.php?a_code=A-10-3122-1&slc_lang=fa&sid=1 Shayesteh Tabatabaei شایسته طباطبائی shtabatabaey@yahoo.com 100319475328460013357 100319475328460013357 Yes Faculty of Multimedia, Tabriz Islamic Art University دانشکده چندرسانه‌ای- دانشگاه هنر اسلامی تبریز