الگوريتم بهينه ساز گرگ خاكستري چند هدفه براي زمان بندي وظايف در محاسبات ابري-مه

Multi-Objective Grey Wolf Optimizer Algorithm for Task Scheduling in Cloud-Fog Computing

انقلاب اينترنت اشيا و قابليت‌هايش در حوزه‌هاي گوناگون، به ايجاد حجم عظيمي از داده براي پردازش كارهايي كه نيازمند پاسخ فوري هستند، منجر شده است. به‌ويژه در وظايفي كه حساس به تاخير هستند و نيازمند فرستادن داده به سرعت به گره‌هاي مركزي هستند، اما وظايف پيچيده به مراكز داده ابري منتقل مي‌شوند براي محاسبات و ذخيره‌سازي بزرگ‌تر. اما اين تحول، ارسال وظايف به گره‌هاي مركزي را سريع‌تر مي‌كند، اما مصرف انرژي كاربران را بالا مي‌برد. همچنين، انتقال وظايف به مراكز داده ابري مي‌تواند مصرف انرژي را كاهش دهد، اما به دليل فاصله زياد، تاخير در انتقال داده‌ها افزايش پيدا مي‌كند. به‌علاوه، اختصاص وظايف به منابع صحيح و سازگار با نيازهاي وظيفه يكي از چالش‌هاي اصلي در محاسبات ابري است كه به بهبود نياز دارد. براي اين منظور، مطالعاتي بهينه‌سازي چند هدفه از الگوريتم (MGWO) به‌منظور بهبود تاخير در QoS و كاهش مصرف انرژي در مه‌ها ارائه شده است. مه‌ها نقش مهمي در توزيع وظايف ايفا مي‌كنند. نتايج شبيه‌سازي نشان مي‌دهد كه الگوريتم MGWO نسبت به الگوريتم‌هاي پيشرفته ديگر، در كاهش تاخير و مصرف انرژي به‌صورت موثري عمل مي‌كند.