fa یادگیری ماشین برای شبکه‌سازی پایدار: مروری بر مسیریابی و مدیریت منابع آگاه از انرژی تخصصي Special پژوهشي Research <p><span style="font-size:14px;"><span style="line-height:1;"><span style="direction:rtl"><span style="unicode-bidi:embed"><span style="font-family:Calibri,sans-serif"><span lang="AR-SA"><span b="" nazanin="" style="font-family:"><span style="color:black">افزایش ترافیک داده و گسترش دستگاه‌های اینترنت اشیا، مصرف انرژی شبکه‌های ارتباطی را به چالشی جدی در مسیر توسعه پایدار تبدیل کرده است. در این شرایط، یادگیری ماشین به‌عنوان رویکردی مؤثر برای بهینه‌سازی مسیریابی و مدیریت منابع انرژی مطرح می‌شود و نقش مهمی در شبکه‌های هوشمند ایفا می‌کند. این مقاله مروری به بررسی رویکردهای یادگیری نظارت‌شده، بدون نظارت، تقویتی و یادگیری عمیق در حوزه‌هایی مانند شبکه‌های حسگر بی‌سیم، اینترنت اشیا، شبکه‌های نرم‌افزارمحور و فناوری‌های 5Gو6G</span></span></span><span lang="AR-SA"><span b="" nazanin="" style="font-family:"><span style="color:black">&nbsp;می‌پردازد و یک طبقه‌بندی جدید برای مدیریت انرژی مبتنی بر </span></span></span><span dir="LTR" lang="EN"><span cambria="" style="font-family:"><span style="color:black">ML</span></span></span><span lang="AR-SA"><span b="" nazanin="" style="font-family:"><span style="color:black"> ارائه می‌دهد.</span></span></span><span dir="LTR" lang="EN"><span cambria="" style="font-family:"><span style="color:black"></span></span></span></span></span></span><br> <span style="direction:rtl"><span style="unicode-bidi:embed"><span style="font-family:Calibri,sans-serif"><span lang="AR-SA"><span b="" nazanin="" style="font-family:"><span style="color:black">در ادامه، شاخص‌هایی مانند بهره‌وری انرژی، تأخیر، توان عملیاتی و سربار محاسباتی تحلیل شده و چالش‌هایی همچون کمبود داده‌های استاندارد، پیچیدگی مدل‌ها و محدودیت تعمیم‌پذیری نتایج مطرح می‌شود. این مطالعه نشان می‌دهد که ترکیب یادگیری ماشین با اصول پایداری می‌تواند به توسعه شبکه‌هایی هوشمند و کم‌مصرف منجر شود. همچنین، مسیرهای پژوهشی آینده برای طراحی الگوریتم‌های مقیاس‌پذیر، قابل‌تبیین و سازگار با نیازهای شبکه‌های نوین پیشنهاد می‌گردد.</span></span></span></span></span></span></span></span></p> <p>The rapid growth of data traffic and the expansion of IoT devices have made energy consumption in communication networks a serious challenge to sustainable development. In this context, machine learning has emerged as an effective approach for optimizing energy-aware routing and resource management, playing a crucial role in intelligent networks. This survey article examines supervised, unsupervised, reinforcement, and deep learning approaches in areas such as wireless sensor networks, IoT, software-defined networks, and 5G/6G technologies, and presents a novel ML-based taxonomy for energy management.</p> <p>The study further analyzes key performance indicators including energy efficiency, latency, throughput, and computational overhead, while addressing challenges such as the lack of standardized datasets, model complexity, and limited generalizability of results. This research demonstrates that integrating machine learning with sustainability principles can lead to the development of intelligent, low-power networks. Furthermore, future research directions are proposed for designing scalable, interpretable, and adaptive algorithms that align with the requirements of modern networks.</p> یادگیری ماشین , مدیریت انرژی , شبکه‌های حسگر بی‌سیم , اینترنت اشیا , شبکه‌های نرم‌افزارمحور , بهره‌وری انرژی , شبکه‌های نسل پنجم و ششم Machine Learning, Energy Management, Wireless Sensor Networks, Internet of Things, Software-Defined Networking, Energy Efficiency, 5G and 6G Networks 25 31 http://jiis.iauh.ac.ir/browse.php?a_code=A-10-65-1&slc_lang=fa&sid=1 MohammadMahdi Rezaei محمدمهدی رضایی mohamados1400@gmail.com 1003194753284600269 1003194753284600269 Yes Islamic Azad University دانشگاه آزاد اسلامی