ارائه روش بهینه سازی ترکیبیاتی نوین با رویکرد کوانتومی در شبکه های اینترنت اشیاء نسل آینده

اینترنت اشیاء (IoT) با رشد تصاعدی خود، چالش های محاسباتی عظیمی را در زمینه بهینه سازی تخصیص وظایف پویا در شبکه های ترکیبی لبه، مه و ابری به وجود آورده است. ماهیت ترکیبیاتی این مسئله باعث می شود که الگوریتم های سنتی در مقیاس های بزرگ با پدیده انفجار ترکیبیاتی (Combinatorial Explosion) مواجه شوند و در یافتن راه حل بهینه یا حتی نزدیک به بهینه، ناکارآمد باشند. در این پژوهش، یک چارچوب بهینه سازی ترکیبی کوانتومی-سنتی برای حل این مسئله چندهدفه با در نظر گرفتن معیارهای متضاد مانند تاخیر، مصرف انرژی و کیفیت خدمات (QoS) ارائه شده است. مدل پیشنهادی در این مقاله، مسئله تخصیص وظایف را به فرمول بندی بهینه سازی دودویی نامقید درجه دوم (QUBO) تبدیل می کند و از الگوریتم بهینه سازی تقریبی کوانتومی (QAOA) برای حل آن بهره می برد. نتایج شبیه سازی عددی، که با استفاده از شبیه ساز متن باز Qiskit انجام شده است، نشان می دهد که رویکرد پیشنهادی در مقایسه با روش های پیشین مبتنی بر یادگیری ماشین کوانتومی و معماری های سنتی، عملکردی به مراتب بهتر ارائه می دهد. تحلیل مقایسه ای نشان می دهد که رویکرد پیشنهادی به طور مداوم بهترین کیفیت راه حل را با ملایم ترین شیب کاهش، با افزایش مقیاس مسئله، حفظ می کند. همچنین، زمان محاسباتی این روش دارای رشدی بسیار آهسته تر و نزدیک به خطی است، در حالی که الگوریتم های سنتی با رشد نمایی مواجه هستند. این نتایج به وضوح برتری راهبردی بهینه سازی کوانتومی را برای حل مسائل بهینه سازی پیچیده و بزرگ مقیاس در شبکه های نسل آینده IoT اثبات می کند.

کلیدواژه ها:

اینترنت اشیاء ، محاسبات مه ، تخصیص وظایف پویا ، بهینه سازی کوانتومی ، تاخیر ، مصرف انرژی ، کیفیت خدمات