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.

الگوریتم فاخته بهینه‌سازی مسیریابی شبکه‌های کامپیوتری فراابتکاری مصرف انرژی