ارائه ی یک مدل زمان بندی وظایف مبتنی بر الگوریتم ژنتیک چند هدفه با مرتب سازی نامغلوب برای برنامه های کاربردی شهر هوشمند در محیط ابر-مه

ظهور تکنولوژی اینترنت اشیا مفهوم شهر هوشمند را ایجاد کرده که در این پارادایم، دستگاه های هوشمند به عنوان یک ضرورت شناخته می شوند. برنامه های کاربردی نصب شده بر روی این دستگاه ها باعث تولید حجم زیادی داده می شوند که اغلب نیازمند پردازش بلادرنگ می باشند. بااین حال، این دستگاه ها دارای قابلیت های محدودی هستند و قادر به پردازش حجم زیاد داده ها نمی باشند. انتقال همه ی این داده ها به مراکز داده ی ابری منجر به استفاده از پهنای باند، تاخیر، هزینه و مصرف انرژی بیشتر می شود. ازاین رو، ارائه خدمات به برنامه های کاربردی شهر هوشمند حساس به تاخیر در ابر یک موضوع چالش برانگیز است و پاسخگویی به نیازمندی های این برنامه ها، مستلزم استفاده از پارادایم ترکیبی ابر و مه می باشد. رایانش مه به عنوان مکملی برای ابر امکان می دهد تا داده ها در نزدیکی دستگاه های هوشمند پردازش شوند. بااین حال، منابع موجود در لایه ی مه ناهمگن و دارای قابلیت های متفاوتی می باشند، بنابراین زمان بندی مناسب این منابع از اهمیت زیادی برخوردار است. در این مقاله، به مساله ی زمان بندی وظایف برای برنامه های کاربردی شهر هوشمند در محیط ابر-مه پرداخته شده است. به این منظور، مساله ی زمان بندی وظیفه به صورت یک مساله ی بهینه سازی چند هدفه مدل شده است که اهداف آن، کاهش تاخیر ارائه ی خدمات و مصرف انرژی سیستم با در نظر گرفتن قید مهلت زمانی می باشد. سپس به منظور حل این مساله و دستیابی به استراتژی زمان بندی مناسب، الگوریتم ژنتیک چند هدفه با مرتب سازی نامغلوب با اپراتورهای سفارشی به کار گرفته شده است. علاوه براین، به منظور بهبود تنوع جمعیت و سرعت همگرایی الگوریتم پیشنهادی، برای تولید جمعیت اولیه از ترکیب روش های نگاشت بی نظمی و یادگیری مبتنی بر تضاد استفاده شده است. همچنین رویکرد مبتنی بر تابع جریمه برای راه حل هایی که قید مهلت زمانی را برآورده نمی کنند، به کار گرفته شده است. نتایج شبیه سازی ها نشان می دهد که الگوریتم زمان بندی پیشنهادی، در مقایسه با بهترین رقیب خود، تاخیر ارائه ی خدمات، زمان انتظار، تاخیر اجرای وظیفه و مصرف انرژی سیستم را به ترتیب ۱/۴۹، ۱/۷۰، ۲/۷ و ۱/۸۶ درصد بهبود می دهد. علاوه براین، با تخصیص مناسب وظایف به گره های محاسباتی در مقایسه با بهترین رقیب، درصد وظایفی که مهلت زمانیشان را از دست می دهند به میزان ۱/۸۹ درصد کاهش می دهد.

کلیدواژه ها:

زمان بندی وظایف ، شهر هوشمند ، رایانش مه ، الگوریتم ژنتیک چند هدفه با مرتب سازی نامغلوب