اخیراً شبکه های مش بی سیم به یک تکنولوژی نویدبخش تبدیل شده اند که کاربردهای مفیدی را ممکن می سازند. در گذسشته این شبکه ها گره هایی را به کار می بردند که تنها از یک کانال فرکانسی استفاده می کردند. شبکه های مش بی سیم تک کاناله با محدودیت هایی از قبیل کارایی پایین مواجه بودند. برای حل این مشکل یکی از راه ها استفاده از کانال های متعدد در شبکه است. بنابراین نحوه تخصیص این کانال ها به گره ها یکی از موضوعات اساسی برای رسیدن به حداکثر کارایی در شبکه مش می باشد. این تحقیق یک روش تخصیص کانال برای شبکه های مش بی سیم ارائه می کند که با تمرکز بر روش یادگیری تقویتی آتوماتای یادگیر قصد دارد با کاهش لینک های متداخل، کارایی شبکه را افزایش دهد. روش ما گره های شبکه را قادر می سازد تا بر اساس بازخوردهای دریافتی از محیط به طور پویا کانال خود را تعویض کرده و رفته رفته کارایی شبکه را بهبود بخشند. در این روش هر نود فقط به یک واسط رادیویی مجهز است. ما روش خود را با شبیه ساز ns2 شبیه سازی کرده و با شبکه تک کاناله، شبکه با روش تخصیص کانال روش تصادفی مقایسه کرده ایم. سپس نوع آتوماتای یادگیر را تغییر داده و نتایج حاصل از اجرای هر دو نوع آتوماتا را روی یک شبکه مش با هم مقایسه کرده و سرعت همگرایی دو نوع آتوماتا به جواب بهینه را ارزیابی نمودیم. نتایج شبیه سازی نشان می دهد که با انتخاب پارامترهای مناسب برای آتوماتای یادگیر، این الگوریتم تخصیص کانال بهینه را یافته و به شکل قابل توجهی کارایی شبکه را بهبود می بخشد.