همایش آروین البرز ETSJR 1 3 2025 07 26 Routing Optimization in Computer Networks Using Cuckoo Optimization Algorithm بهینه‌سازی مسیریابی در شبکه‌های کامپیوتری با استفاده از الگوریتم فاخته (Cuckoo Optimization Algorithm) 35 47 10.22051/jera.2021.31891.2698 FA عبید کارشناسی ارشد رشته کامپیوتر گرایش نرم افزار، دانشگاه شهید رضایی، استان کرمانشاه، ایران 2025 07 02 With the expansion of computer networks and the increasing growth of applications based on the Internet of Things (IoT), wireless sensor networks (WSN), and dynamic networks such as MANET, the problem of routing optimization has become one of the fundamental challenges in computer science and network engineering. Although traditional algorithms such as Dijkstra and Bellman-Ford are relatively efficient in stable environments, they do not meet the needs of modern environments due to their limitations in adapting to dynamic changes and the multi-objective nature of new problems. In this regard, the main goal of this paper is to comprehensively investigate the role and efficiency of the Cuckoo Optimization Algorithm (COA) as a new meta-heuristic algorithm in optimizing routing in computer networks. Inspired by the parasitic reproductive behavior of the cuckoo bird and the mechanism of Lévy jumps, the Cuckoo algorithm has been introduced as a simple but powerful approach, especially for solving nonlinear, multi-objective, and dynamic problems. In this article, while explaining the structure, implementation steps, and advantages and disadvantages of the cuckoo algorithm compared to other methods (such as PSO, GA, and ACO), field studies and simulations conducted in the fields of WSN, MANET, SDN, and IoT are reviewed. The results of past research show that the use of COA has significantly reduced energy consumption, improved packet delivery rate, and increased network lifetime compared to alternative algorithms. Also, practical applications of COA in dynamic environments with rapid topology changes have revealed more capabilities and advantages over its competitors. Next, the article focuses on comparative results between COA and other metaheuristic algorithms and shows that the cuckoo algorithm is a suitable choice for network applications, especially in data-driven and emerging scenarios, due to its simple structure, high convergence speed, and more comprehensive search power. However, challenges such as the need for optimal parameter tuning, limited adaptation to discrete problems, and the lack of comprehensive standardization have also been identified. Accordingly, future research proposals emphasize the use of combining COA with other algorithms, the development of learning-based versions, and its application in real and large-scale environments. با گسترش شبکه‌های کامپیوتری و رشد روزافزون کاربردهای مبتنی بر اینترنت اشیاء (IoT)، شبکه‌های حسگر بی‌سیم (WSN)، و شبکه‌های پویا مانند MANET، مساله بهینه‌سازی مسیریابی به یکی از چالش‌های بنیادین در علوم رایانه و مهندسی شبکه تبدیل شده است. الگوریتم‌های سنتی همچون دایکسترا و بلمن-فورد اگرچه در محیط‌های پایدار کارایی نسبی دارند، اما به دلیل محدودیت در سازگاری با تغییرات دینامیک و چندهدفه بودن مسائل جدید، پاسخگوی نیازهای محیط‌های مدرن نیستند. در این راستا، هدف اصلی این مقاله، بررسی جامع نقش و کارایی الگوریتم فاخته (Cuckoo Optimization Algorithm - COA) به عنوان یک الگوریتم فراابتکاری نوین در بهینه‌سازی مسیریابی شبکه‌های کامپیوتری است. الگوریتم فاخته با الهام از رفتار تولیدمثل انگلی پرنده فاخته و سازوکار پرش‌های Lévy، به‌عنوان رویکردی ساده اما توانمند به‌ویژه برای حل مسائل غیرخطی، چندهدفه و پویا معرفی شده است. در این مقاله، ضمن تبیین ساختار، مراحل اجرایی و مزایا و معایب الگوریتم فاخته نسبت به روش‌های دیگر (مانند PSO، GA و ACO)، به مرور مطالعات میدانی و شبیه‌سازی‌های انجام‌شده در حوزه‌های WSN، MANET، SDN و IoT پرداخته شده است. نتایج پژوهش‌های گذشته نشان می‌دهد استفاده از COA سبب کاهش محسوس مصرف انرژی، بهبود نرخ تحویل بسته و افزایش طول عمر شبکه نسبت به الگوریتم‌های جایگزین شده است. همچنین، کاربردهای عملی COA در محیط‌های پویا و دارای تغییرات سریع توپولوژی، قابلیت‌ها و برتری‌های بیشتری نسبت به رقبای خود آشکار ساخته است. در ادامه، مقاله با تمرکز بر نتایج مقایسه‌ای میان COA و دیگر الگوریتم‌های فراابتکاری، نشان می‌دهد که الگوریتم فاخته به سبب سادگی ساختار، سرعت همگرایی بالا و توان جستجوی جامع‌تر، برای کاربردهای شبکه‌ای خصوصاً در سناریوهای داده‌محور و نوظهور، انتخاب مناسبی است. با این حال، چالش‌هایی نظیر نیاز به تنظیم بهینه پارامترها، تطبیق محدود با مسائل گسسته و عدم وجود استانداردسازی جامع نیز شناسایی شده است. بر همین اساس، پیشنهادهای پژوهشی آینده، بهره‌گیری از ترکیب COA با سایر الگوریتم‌ها، توسعه نسخه‌های یادگیری‌محور و به‌کارگیری آن در محیط‌های واقعی و بزرگ‌مقیاس را مورد تاکید قرار می‌دهد. /downloadfilepdf/211519