بهبود توازن بار در رایانش مه با استفاده از الگوریتم بهینه سازی روباه قطبی

رایانش مه به عنوان یک معماری میان افزاینده برای پردازش نزدیک به کاربر، راهکاری موثر جهت کاهش تاخیر و پشتیبانی از کاربردهای حساس به زمان در اینترنت اشیاء (IoT) مطرح شده است. با این حال، ناهمگنی گره های مه و پویایی بارهای کاری موجب می شود که مسئله ی توازن بار به یکی از چالش های اساسی در این حوزه تبدیل شود. مدیریت ناکارآمد توازن بار می تواند منجر به افزایش زمان پاسخ، مصرف انرژی بالا و کاهش بهره وری منابع گردد .در این پژوهش، ما برای حل مشکلات توازن باز و کاهش بهره وری از الگوریتم بهینه سازی روباه قطبی ( PFA) به عنوان یک روش فراابتکاری نوین استفاده میکنیم. این الگوریتم با الهام از رفتار زیستی روباه قطبی در استراتژی پرش و شکار مبتنی بر شنوایی فوق العاده طراحی گردیده و از طریق مدل سازی ریاضی و مکانیزم های جستجوی ترکیبی (اکتشاف و بهره برداری) برای حل مسائل پیچیده بهینه سازی به کار گرفته می شود. برای ارزیابی، الگوریتم پیشنهادی در محیط های شبیه سازی Python و MATLAB پیاده سازی و با چندین الگوریتم فراابتکاری شناخته شده مانند PSO، ACO، GA، GWO و HHO مقایسه شده است . معیارهای سنجش شامل میانگین تاخیر، مصرف انرژی، بهره وری منابع، زمان اجرا و نرخ موفقیت در تخصیص بهینه بار بوده اند. نتایج حاصل نشان می دهد که PFA در تمامی شاخص های عملکرد، به ویژه در کاهش تاخیر و افزایش بهره وری منابع، برتری محسوسی نسبت به رقبا دارد. افزون بر این، آزمون های آماری (Wilcoxon/Friedman) برتری معنادار الگوریتم پیشنهادی را تایید کرده و نقشه های کانتور و سه بعدی بر روی توابع معیار دوبعدی، رفتار همگرایی و قدرت جستجوی PFA را به طور شهودی نمایش می دهند این ویژگی ها بیانگر آن است که PFA می تواند به عنوان یک راهکار نوآورانه، مقیاس پذیر و کارآمد برای مدیریت توازن بار در محیط های پویا و ناهمگن رایانش مه، به ویژه در کاربردهای شهر هوشمند، سامانه های پزشکی و اینترنت اشیاء گسترده مورد استفاده قرار گیرد .

کلیدواژه ها:

اینترنت اشیا ، رایانش مه ، توازن بار ، الگوریتم های فراابتکاری ، الگوریتم بهینه سازی روباه قطبی