بحث کنترل ازدحام از اهمیت ویژه ای در مباحث مربوط به شبکه های کامپیوتری برخوردار است. کنترل ناکارآمد ازدحام در شبکه، به آسانی منجر به از کار افتادن شبکه می-شود. یادگیری تقویتی که از داده ها می آموزد همراه با سیستم استنتاج فازی، ابزار هایی عالی برای حل مشکل کنترل ازدحام در شبکه های کامپیوتری با آن طبیعت پیچیده اش هستند.aimd هسته ی مکانیزم اجتناب از ازدحام برای این استاندارد های tcp است. در حالت اجتناب از ازدحام برپایه ی aimd، اندازه پنجره به مقدار ? برای هر پنجره ای از بسته های تایید شده، افزایش می یابد و هنگامی که نشانه ای از ازدحام موجود باشد به میزان ? از مقدار کنونی کاهش می یابد (در reno ?=1 و?=1/2 ). در این پایان نامه ما با استفاده از یادگیری تقویتی فازی، اجتناب از ازدحام در newreno را در انتخاب مقادیر مناسب ? و? با توجه به وضعیت شبکه بهبود می بخشیم. کنترل گر پیشنهادی ما مشکل کاوش مهاجمانه و شدید tcp استاندارد که نتیجه اش تغییرات شدید در اندازه ی پنجره ازدحام که باعث نامناسب شدن این الگوریتم برای کاربرد های چندرسانه ای می شود، را حل می کند.ما نشان داده ایم که اگر همه ی میزبان های انتهایی الگوریتم کنترل ازدحام پیشنهادی ما را بکار گیرند ما تعادل نش خواهیم داشت، به علاوه با شبیه سازی در ns2 نشان داده ایم که در این تعادل نش کارایی شبکه کمی بهتر از زمانی است که تمامی میزبان های انتهایی از newreno استفاده کنند.