تحلیل مقایسهای الگوریتمهای یادگیری ماشین در زمانبندی وظایف رایانش شبنم

رایانش شبنم به عنوان یک پارادایم نوظهور با بهره گیری از منابع محلی پردازش داده را به کاربر نهایی نزدیک تر کرده و وابستگی به زیرساخت های متمرکز ابری را کاهش می دهد. یکی از چالش های اصلی در رایانش شبنم، زمان بندی وظایف این محیط، زمان بندی بهینه وظایف با در نظرگیری محدودیت های منابع و الزامات بلادرنگ است. این مقاله یادگیری ماشین، یادگیری تقویتی به ارائه یک مرور نظام مند از کاربرد الگوریتم های یادگیری ماشین برای حل این چالش می پردازد. علیرغم پتانسیل بالای این حوزه، تحلیل روند انتشار نشان می دهد که تعداد پژوهش های مستقلی که به طور همزمان به هر سه مولفه رایانش شبنم، زمان بندی وظایف و یادگیری ماشین پرداخته باشند، همچنان محدود است. با بررسی جامع مطالعات بین سال های ۲۰۱۸ تا ۲۰۲۵، یافته ها نشان می دهد که یادگیری تقویتی به دلیل توانایی در مدیریت محیط های پویا و غیرقطعی پارادایم غالب است، در حالی که یادگیری تحت نظارت با ارائه پیش بینی های سریع نقش مکمل حیاتی ایفا می کند. اگرچه این راهکارها پتانسیل بالایی دارند، اما چالش هایی چون سربار محاسباتی، وابستگی به داده های تاریخی و هزینه ارتباطی در معماری های غیرمتمرکز موانع اصلی در مسیر استقرار عملی آنها هستند. این مرور شکاف های تحقیقاتی کلیدی را شناسایی و مسیرهای آینده را جهت توسعه راه حل های سبک وزن، مقاوم و کاملا غیرمتمرکز ترسیم می کند.

کلیدواژه ها:

رایانش شبنم