بهینه‌سازی تاخیر و مصرف انرژی در زمان‌بندی محاسبات اینترنت اشیا مبتنی بر معماری ابر- لبه با استفاده از الگوریتم جستجوی گرانشی بهبودیافته مبتنی بر منطق فازی

مقالات آماده انتشار

نوع مقاله : مقاله پژوهشی

نویسندگان

1 کارشناسی ارشد، گروه علوم کامپیوتر، دانشکده علوم ریاضی، دانشگاه یزد، یزد، ایران

2 دانشیار، گروه علوم کامپیوتر، دانشکده علوم ریاضی، دانشگاه یزد، یزد، ایران

3 استادیار، گروه علوم کامپیوتر، دانشکده علوم ریاضی، دانشگاه یزد، یزد، ایران

چکیده

در این مطالعه، به بررسی راهکار‌های زمان‌بندی محاسبات در شبکه اینترنت اشیا دارای لایه‌های محاسباتی ابر و لبه با هدف کمینه‌سازی تاخیر و انرژی مصرفی پرداخته شده است. برای حل مسئله ذکر شده، از الگوریتم جستجوی گرانشی بهبودیافته (IGSA) استفاده شده است. از مهم‌ترین معایب الگوریتم جستجوی گرانشی (GSA)، نبود تعادل مناسب بین قابلیتهای کاوش و بهره‌وری می‌باشد. در این مقاله به‌منظور رفع این چالش، از سیستم استنتاج فازی برای عبور از گرفتار شدن در بهینه‌های محلی استفاده شده است. از 12 تابع آزمایشی چندوجهی برای ارزیابی الگوریتم پیشنهادی استفاده شده است. همچنین از این الگوریتم برای حل یک مسئله مهندسی مربوط به زمان‌بندی محاسبات در شبکه اینترنت اشیا استفاده شده است. این کار، با استفاده از یک شبیه‌ساز شبکه اینترنت اشیا دارای دو مدل محاسباتی ابر و لبه، با دو هدف کمینه‌سازی تاخیر و انرژی که به‌صورت وزن‌دار به یک مسئله تک‌هدفه تبدیل شده، انجام شده است. الگوریتم پیشنهادی در کنار الگوریتم‌های جستجوی گرانشی، گرگ خاکستری، سینوس کسینوس، بهینه‌سازی شامپانزه و بهینه‌سازی خرچنگ در این دو محیط آزمایشی، مورد ارزیابی قرار گرفته‌اند. نتایج اجرا در هر دو محیط آزمایشی نشان می‌دهند، الگوریتم پیشنهادی با بهبود روند جستجو فضای جواب‌های شدنی به‌صورت پویا، علاوه بر یافتن پاسخی با شایستگی (Fitness) بهتر نسبت به الگوریتم جستجو گرانشی پایه، توانسته در مقایسه با دیگر  الگوریتم‌های فراابتکاری کارایی برتر را از منظر آزمون فریدمن را با مقادیر رتبه 409/2 در حل توابع آزمایشی استاندارد و 2 در زمان‌بندی محاسبات به خود اختصاص دهد.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Delay and Energy Optimization in Cloud-Edge Computing System Using Improved Gravitational Search Algorithm

نویسندگان [English]

  • Amir Mohammad Sanei 1
  • Mohammad Farshi 2
  • Sepehr Ebrahimi Mood 3
1 Master Of Science, Department of Computer Science, Yazd University, Yazd, Iran
2 Associate Professor, Department of Computer Science, Yazd University, Yazd, Iran
3 Assistant Professor, Department of Computer Science, Yazd University, Yazd, Iran
چکیده [English]

This article investigates task scheduling strategies in cloud-edge computing layers and proposes an appropriate solution for this problem. The scheduling is evaluated with the dual objectives of minimizing latency and energy consumption. To solve this scheduling problem, an improved gravitational search algorithm is employed as the algorithm proposed in this research. The enhancement implemented in this study on the gravitational search algorithm utilizes fuzzy logic to prevent entrapment in local optima. The improved gravitational search algorithm, alongside the basic gravitational search algorithm, Gray Wolf Optimizer, Sine Cosine Algorithm, Chimp Optimization Algorithm, and Crab Optimization Algorithm, was evaluated and tested in two different environments. Furthermore, Friedman’s statistical test was used for the statistical analysis of the results. The proposed algorithm was first applied to optimize CEC benchmark functions, and the obtained results along with the statistical test indicate the improvement of the proposed algorithm over the basic gravitational search algorithm, as well as its superiority compared to the other algorithms. Subsequently, the improved gravitational search algorithm and the aforementioned other algorithms were used to optimize task scheduling in a cloud-edge environment. The execution results of the algorithms and the statistical analysis demonstrate the enhanced performance of the gravitational search algorithm after the improvement. Moreover, by examining the obtained results, the superior performance of the proposed algorithm compared to the other algorithms can be observed.

کلیدواژه‌ها [English]

  • Internet of Things
  • Task Scheduling
  • Cloud-Edge Computing
  • Optimization
  • Gravitational Search Algorithm
  • Fuzzy Inference System

مراجع

[1]     O. Aouedi, T.-H. Vu, A. Sacco, D. C. Nguyen, K. Piamrat, G. Marchetto, and Q.-V. Pham, “A Survey on Intelligent Internet of Things: Applications, Security, Privacy, and Future Directions,” IEEE Communications Surveys & Tutorials, vol. 27, no. 2, pp. 1238–1292, 2025, doi: 10.1109/COMST.2024.3430368.
[2]     S. Latif, M. Driss, W. Boulilla, Z.-E. Huma, S. S. Jamal, Z. Idrees, and J. Ahmad, "Deep Learning for the Industrial Internet of Things (IIoT): A Comprehensive Survey of Techniques, Implementation Frameworks, Potential Applications, and Future Directions," Sensors, vol. 21, no. 22, p. 7518, 2021.
[3]     M. Majid, S. Habib, A. R. Javed, M. Rizwan, G. Srivastava, T. R. Gadekallu, and J. C.-W. Lin, “Applications of wireless sensor networks and internet of things frameworks in the industry revolution 4.0: A systematic literature review,” Sensors, vol. 22, no. 6, p. 2087, 2022, doi: 10.3390/s22062087.
[4]     W. Shi, J. Cao, Q. Zhang, Y. Li, and L. Xu, “Edge computing: Vision and challenges,” IEEE Internet of Things Journal, vol. 3, no. 5, pp. 637–646, 2016, doi: 10.1109/JIOT.2016.2579198.
[5]     R. Aburukba, M. AliKarrar, T. Landolsi, and K. El-Fakih, "Scheduling Internet of Things requests to minimize latency in hybrid Fog–Cloud computing," Future Generation Computer Systems, vol. 111, pp. 539–551, 2020.
[6]     E. Rashedi, H. Nezamabadi-Pour, and S. Saryazdi, “GSA: A gravitational search algorithm,” Information Sciences, vol. 179, no. 13, pp. 2232–2248, 2009, doi: 10.1016/j.ins.2009.03.004.
[7]     L. J. Fogel, A. J. Owens, and M. J. Walsh, “Evolutionary programming made faster,” IEEE Transactions on Evolutionary Computation, vol. 3, no. 2, pp. 82–102, 1999.
[8]     S. Mirjalili and S. Z. Mohd Hashim, “Training feedforward neural networks using hybrid particle swarm optimization and gravitational search algorithm,” Applied Mathematics and Computation, vol. 218, no. 22, pp. 11125–11137, 2012.
[9]     S. D. Sağlam and G. K. Gözeri, “Some Properties of Boolean-like Laws in Fuzzy Logic,” Symmetry, vol. 17, no. 4, p. 548, 2025.
[10] Y. Sanjalawe, M. Al-Smadi, S. Al-Zoubi, and A. Al-Bataineh, "AI-driven job scheduling in cloud computing: a comprehensive review," Artificial Intelligence Review, vol. 58, no. 7, p. 197, 2025.
[11] D. Alsadie, "Advancements in heuristic task scheduling for IoT applications in fog-cloud computing: challenges and prospects," PeerJ Computer Science, vol. 10, p. e2128, 2024.
[12] Avan, A. Azim, and Q. H. Mahmoud, "A State-of-the-Art Review of Task Scheduling for Edge Computing: A Delay-Sensitive Application Perspective," Electronics, vol. 12, no. 12, p. 2599, 2023.
[13] M. A. El-Shorbagy, A. Bouaouda, L. Abualigah, and F. A. Hashim, “Stochastic Fractal Search: A Decade Comprehensive Review on Its Theory, Variants, and Applications,” Computer Modeling in Engineering & Sciences, vol. 142, no. 3, pp. 2339–2404, 2025.
[14] S. Mirjalili, S. M. Mirjalili, and A. Lewis, “Grey wolf optimizer,” Advances in Engineering Software, vol. 69, pp. 46–61, 2014.
[15] S. Mirjalili, “SCA: A sine cosine algorithm for solving optimization problems,” Knowledge-Based Systems, vol. 96, pp. 120–133, 2016.
[16] M. A. Elaziz, A. A. Ewees, D. Oliva, and S. Mirjalili, “Crayfish optimization algorithm,” Artificial Intelligence Review, vol. 55, pp. 5565–5609, 2022.
[17] J. Lian, G. Hui, L. Ma, T. Zhu, X. Wu, and A. A. Heidari, "Parrot optimizer: Algorithm and applications to medical problems," Computers in Biology and Medicine, vol. 172, p. 108064, 2024.
[18] F. A. Saif, R. Latip, Z. M. Hanapi, and K. Shafinah, "Multi-Objective Grey Wolf Optimizer Algorithm for Task Scheduling in Cloud-Fog Computing," IEEE Access, vol. 11, pp. 20635–20646, 2023
[19] M. Masdari, F. Salehi, M. Jalali, and M. Bidaki, “A Survey of PSO-Based Scheduling Algorithms in Cloud Computing,” Journal of Network and Systems Management, vol. 25, no. 1, pp. 122–158, 2017.
[20] S. Mirjalili and S. Z. Mohd Hashim, “A new hybrid PSOGSA algorithm for function optimization,” Applied Soft Computing, vol. 13, no. 5, pp. 2292–2304, 2013.
[21] A. Heidari, S. Mirjalili, and H. Faris, “Hybrid GSA-GA algorithm for constrained optimization problems,” Engineering Applications of Artificial Intelligence, vol. 41, pp. 124–135, 2015.
[22] E. Rashedi, H. Nezamabadi-Pour, and S. Saryazdi, “New mass calculation functions in gravitational search algorithm,” Journal of Intelligent & Fuzzy Systems, vol. 27, no. 2, pp. 567–576, 2014.
[23] R. Mahmud, R. Kotagiri, and R. Buyya, “Scheduling IoT applications in fog computing,” Future Generation Computer Systems, vol. 82, pp. 416–426, 2018.
[24] M. Aazam and E.-N. Huh, “Fog computing and smart gateway based communication for cloud of things,” Future Generation Computer Systems, vol. 59, pp. 1–8, 2016.
[25] Faramarzi, M. Heidarinejad, S. Mirjalili, and A. H. Gandomi, “Equilibrium optimizer: A novel optimization algorithm,” Knowledge-Based Systems, vol. 191, p. 105190, 2020.
[26] M. Mohammadi, F. BahraniPour, S. Ebrahimi Mood, and M. Farshi, "Security-aware resource allocation in fog computing using a meta-heuristic algorithm," Cluster Computing, vol. 28, no. 2, p. 104, 2025.
[27] O. Rainio, J. Teuho, and R. Klén, "Evaluation metrics and statistical tests for machine learning," Scientific Reports, vol. 14, no. 1, p. 6086, 2024.
[28] L. J. Fogel, A. J. Owens, and M. J. Walsh, Artificial Intelligence through Simulated Evolution. New York, NY, USA: Wiley, 1966.
پژوهش های نظری و کاربردی هوش ماشینی

مقالات آماده انتشار، پذیرفته شده
انتشار آنلاین از تاریخ 29 مهر 1405

فایل ها

هم رسانی

ارجاع به این مقاله

آمار