يك مدل هوش مصنوعي براي زمان بندي وظايف به صورت آگاه از انرژي بر پايه اتوماتاي يادگير تصادفي براي كاربردهاي اينترنت اشياء

An artificial intelligence model for energy-aware task scheduling based on learning automation for IoT applications

در اين مقاله يك مدل هوشمند مصنوعي براي زمان­بندي وظايف (Task scheduling) به صورت آگاه از انرژي (Energy-aware) بر پايه اتوماتاي يادگير (Learning automata) در كاربردهاي رايانش مه (Fog Computing) ارائه شده است. رايانش مه يك لايه محاسباتي توزيع شده است كه به عنوان يك لايه مياني بين ابر و اينترنت اشيا به منظور ارتقاء كيفيت خدمات عمل مي­كند. يكي ازمهمترين فاكتورها در مصرف انرژي مربوط به زمان­بندي وظايف است. در اين مقاله موضوع زمان­بندي وظايف در محيط مه به منظور كاهش مصرف انرژي، زمان اتمام كار(Makespan) و هزينه با استفاده از اتوماتاي يادگير بررسي شده است. سپس براي اولين بار يك شبكه عصبي به عنوان مدل هوش مصنوعي بر اساس اتوماتاي يادگير برنامه­ريزي وظايف در محيط مه ارائه شده است. مدل شبكه عصبي ارائه شده توانايي پيش­بيني ارتباط بين پارامترهاي زمان اتمام كار، انرژي و هزينه را بر اساس تعداد ماشين­هاي مجازي دارد. نتايج مدل هوش مصنوعي ارائه شده نشان مي‌دهد كه تمام پارامترهاي مذكور با كمتر از يك درصد پيش بيني شده­اند. همچنين در مدل ارايه شده خطاي آموزش و آزمون براي پارامتر زمان اتمام كار به ترتيب 0.02 و 0.04 بدست آمد، براي پارامتر انرژي به ترتيب 0.16 و 0.84 بدست آمد و براي پارامتر هزينه به ترتيب 0.02 و 0.19 بدست آمد.

In this paper, an artificial intelligence model for energy-aware task scheduling is based on learning automata in Fog Computing applications. fog computing is a distributed computing layer that acts as an intermediate layer between the cloud and the Internet of Things to improve the quality of services. One of the most important factors in energy consumption is related to task scheduling. This paper examines the timing of tasks in a fog environment to reduce energy consumption, makespan, and cost using learning automata. Then, for the first time, a neural network is introduced as a model of artificial intelligence based on learning automata in fog. The proposed neural network model has the ability to predict the relationship between the parameters of completion time, energy, and cost based on the number of virtual machines. The results of the proposed artificial intelligence model show that all the mentioned parameters are predicted with less than one percent accuracy.