تخلیه وظیفه بهینه انرژی در محیط محاسباتی چندسطحه لبه ابری

در دنیای امروز حجم عظیمی از داده ها به صورت بلادرنگ توسط دستگاه های هوشمند تولید می شود و نیاز به پردازش سریع و مصرف انرژی بهینه اهمیت یافته است. محاسبات لبه ابری با ترکیب توان پردازشی لبه و ابر راهکاری موثر برای کاهش تاخیر و افزایش کارایی سیستم است. این پژوهش رویکردهای مختلف بهینه سازی انرژی در برون سپاری وظایف را بررسی کرده و تکنیک های کلاسیک، فراابتکاری و مبتنی بر یادگیری ماشین را از نظر کارایی، پیچیدگی و سازگاری با محیط های پویا تحلیل می کند. نتایج نشان می دهد الگوریتم های یادگیری تقویتی به دلیل توانایی تصمیم گیری تطبیقی و بلادرنگ بیشترین پتانسیل را در محیط های ناهمگون دارند هرچند چالش هایی نظیر مقیاس پذیری، امنیت و نیاز به داده آموزشی گسترده باقی است. مسیرهای تحقیقاتی آینده شامل یادگیری فدرال، بهینه سازی سبز و استفاده از محاسبات مه و کوانتومی برای توسعه چارچوب های هوشمند و پایدار پیشنهاد می شود.

کلیدواژه ها:

محاسبات لبه ابری ، برون سپاری وظایف ، بهینه سازی انرژی ، یادگیری تقویتی ، الگوریتم های فراابتکاری