مرور جامع بر الگوریتمهای ترکیبی و الهام گرفته از طبیعت برای توازن بار در رایانش مه

رایانش مه به دلیل نقش حیاتی خود در کاهش تاخیر و مدیریت داده های تولید شده توسط دستگاه های اینترنت اشیا، به یکی از زیرساخت های اصلی پردازش توزیع شده تبدیل شده است. در این میان توازن بار به عنوان یک چالش کلیدی مطرح است؛ زیرا ناهمگونی گره ها، رفتار پویا و غیرخطی ترافیک و محدودیت منابع می تواند کارایی سیستم را به طور جدی تحت تاثیر قرار دهد. هدف این مقاله ارائه یک مرور جامع و نظام مند بر رویکردهای کلاسیک، هیوریستیک، فراابتکاری و ترکیبی برای حل مسئله توازن بار در رایانش مه است. در این راستا مطالعات برجسته ای که از الگوریتم هایی چون ACO، PSO، Clonal Selection، Mayfly و ترکیب آنها با یادگیری تقویتی و یادگیری انتقالی بهره گرفته اند، تحلیل و مقایسه شده اند. نتایج بررسی ها نشان می دهد که الگوریتم های ترکیبی و هوشمند به ویژه مدل های مبتنی بر RL و فراابتکاری های چند مرحله ای توانسته اند در بهبود معیارهایی مانند تاخیر، مصرف انرژی و پایداری شبکه عملکرد چشمگیری ارائه دهند. با این حال چالش هایی همچون مهاجرت پرهزینه، نبود مدل های دقیق انرژی و فقدان معیارهای ارزیابی استاندارد همچنان حل نشده باقی مانده اند. در پایان مسیرهای آینده پژوهش شامل توسعه الگوریتم های سبک وزن، مدل های پیش بینانه هوش جمعی توزیع شده و روش های بهینه سازی نسل جدید پیشنهاد گردیده است.

کلیدواژه ها:

اینترنت اشیا ، الگوریتمهای فراابتکاری ، الگوریتمهای ترکیبی ، بهینه سازی منابع ، توازن بار ، رایانش مه ، یادگیری تقویتی