بهبود انتقال وظایف با استفاده از منطق فازی نوع ۲ و الگوریتم یادگیری تقویتی با سیاست مجاور برای افزایش عملکرد برنامه های اینترنت اشیاء

این مقاله روش نوین مهاجرت وظایف ارائه می دهد که برای بهبود کارایی برنامه های اینترنت اشیا در یک معماری سه لایه در محیط محاسبات مه و ابر طراحی شده است. لایه اینترنت اشیا شامل دستگاه های هوشمندی است که تعداد زیادی وظایف تولید می کنند؛ وظایفی که هر یک دارای مشخصات متنوعی مانند اندازه، نیازهای محاسباتی، نیاز های ارتباطی و محدودیت های زمانی هستند. به دلیل محدودیت ذخیره سازی و ظرفیت محاسباتی دستگاه های اینترنت اشیا، لازم است این وظایف به لایه های مختلف منتقل شوند تا پردازش موثری انجام شود و اهداف کیفیت خدمات (QoS) برآورده شوند. برای حل این چالش، از یک برنامه ریز وظایف مبتنی بر منطق فازی نوع ۲ استفاده شده است تا تصمیم گیری های هوشمندانه ای برای مهاجرت وظایف انجام دهد. این برنامه ریز بر اساس ویژگی های وظایف، مناسب ترین لایه پردازشی را انتخاب می کند. علاوه بر این، در این مقاله از یادگیری عمیق تقویتی بهینه سازی سیاست مجاور (PPO) استفاده شده است تا با مهاجرت مناسب وظایف سطح مه، تعادل بار میان گره های همکار حفظ گردد. نتایج تجربی نشان می دهند که طرح پیشنهادی در مقایسه با روش های پیشرفته موجود، از نظر کاهش تاخیر، مصرف انرژی، استفاده از شبکه، توان عملیاتی و نرخ مهاجرت وظایف عملکرد بهتری دارد.