تخصیص وظایف در رایانش مه مبتنی بر گراف پویا با استفاده از الگوریتم بهینه سازی کوانتومی گرگ خاکستری حافظه محور و به روزرسانی تطبیقی

رشد سریع دستگاه های اینترنت اشیاء و افزایش حجم پردازش های نزدیک به کاربر نیاز به معماری های توزیع شده مانند رایانش مه را بیش از پیش برجسته ساخته است. در این پژوهش رویکرد نوینی مبتنی بر الگوریتم بهینه سازی گرگ خاکستری کوانتومی حافظه محور با به روزرسانی تطبیقی حافظه MQGWO برای حل مسئله تخصیص وظایف در محیط های مبتنی بر گراف پویا در رایانش مه ارائه می شود. در روش پیشنهادی، ساختار سلسله مراتبی الگوریتم گرگ خاکستری با مدل جستجوی کوانتومی ترکیب شده و یک مکانیزم حافظه تطبیقی به آن افزوده شده است. نتایج شبیه سازی ها نشان می دهد که روش پیشنهادی بهبود حدود ۷۸ درصدی در کیفیت راه حل نهایی، کاهش ۳۵ درصدی انحراف معیار و افزایش قابل توجه سرعت همگرایی نسبت به الگوریتم GWO پایه ایجاد می کند.

کلیدواژه ها:

رایانش مه ، الگوریتم گرگ خاکستری کوانتومی ، حافظه تطبیقی ، محیط پویا