تخصيص منابع محاسباتي در محاسبات مه اينترنت اشيا با استفاده از الگوريتم بهينه سازي مبتني بر آموزش - يادگيري

از آﻧﺠﺎ ﮐﻪ اﯾﻨﺘﺮﻧﺖ اﺷـﯿﺎ ﺑﺎ ﺣﺠﻢ زﯾﺎدي از داده ﺳـﺮوﮐﺎر دارد، ﭘﺮدازش و ذﺧﯿﺮه اﯾﻦ ﺣﺠﻢ از داده ﺑﻪ راﺣﺘﯽ اﻣﮑﺎن ﭘﺬﯾﺮ ﻧﯿﺴـﺖ. ﺑﺎ اﯾﻦ ﺣﺎل، ﺑﺴـﯿﺎري از ﺑﺮﻧﺎﻣﻪﻫﺎي آن از ﭼﺎﻟﺶﻫﺎي ﻣﺤﺎﺳـﺒﺎت اﺑﺮي ﻣﺎﻧﻨﺪ ﺗﺄﺧﯿﺮ، آﮔﺎﻫﯽ از ﻣﮑﺎن و ﭘ ﺸـﺘﯿﺒﺎﻧﯽ از ﺗﺤﺮك در زﻣﺎن واﻗﻌﯽ رﻧﺞ ﻣﯽﺑﺮﻧﺪ. ﻣﺤﺎ ﺳــﺒﺎت ﻣﻪ، ﺑﻪ اراﺋﻪ راهﺣﻞﻫﺎﯾﯽ ﺑﺮاي اﯾﻦ ﭼﺎﻟﺶﻫﺎ ﮐﻤﮏ ﻣﯽﮐﻨﺪ. در اﯾﻦ ﻣﻘﺎﻟﻪ اﺑﺘﺪا ﻣﺴــﺄﻟﻪ آن ﮐﻪ از ﻧﻮع MINLP ا ﺳــﺖ ﺑﺎ اﺳـﺘﻔﺎده از روشﻫﺎي PSO ،SA + GA ،TLBO و GA ﺣﻞ ﻣﯽﺷـﻮد. ﺳـﭙﺲ ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ ﻧﺘﺎﯾﺞ ﺣﺎﺻـﻞ از آن، روش TLBO را ﮐﻪ ﺑﻬﺘﺮﯾﻦ ﻧﺘﺎﯾﺞ را در ﺑﯿﻦ ﭼﻬﺎر روش دارد اﻧﺘﺨﺎب ﮐﺮدﯾﻢ. اﯾﻦ ﻣﻘﺎﻟﻪ، ﺷـﺎﻣﻞ ﯾﮏ ﺷـﺒﯿﻪ ﺳـﺎزي ﺷـﺒﮑﻪ اﯾﻨﺘﺮﻧﺖ ا ﺷـﯿﺎ ﺑﺮاي ﺗﺨﺼـﯿﺺ ﻣﻨﺎﺑﻊ ا ﺷـﺘﺮاﮐﯽ ﺑﻬﯿﻨﻪ درﻣﺤﺎ ﺳـﺒﺎت ﻣﻪ ا ﺳـﺖ ﮐﻪ ﻫﺪف آن ﺑﯿﺸـﯿﻨﻪ ﮐﺮدن ﺳـﻮد اراﺋﻪدﻫﻨﺪﮔﺎن ﺧﺪﻣﺎت اﺑﺮي از ﻃﺮﯾﻖ ﻣﺤﺎ ﺳـﺒﺎت ﻣﻪ ا ﺳـﺖ. ﻣﻌﻤﺎري ﺷـﺒﮑﻪ، ﺷـﺎﻣﻞ ﺳـﻪ ﻻﯾﻪ اراﺋﻪدﻫﻨﺪﮔﺎن ﺧﺪﻣﺎت اﺑﺮي، ﮔﺮهﻫﺎي ﻣﻪ و ﮐﺎرﺑﺮان ا ﺳـﺖ. در اﯾﻦ ﻣﻘﺎﻟﻪ، ﺷـﺒﮑﻪ ﺳـﻪ ﻻﯾﻪاﯾﯽ ﺷـﺒﯿﻪ ﺳـﺎزي ﺷـﺪه و اﻟﮕﻮرﯾﺘﻢ ﻣﻮرد ا ﺳـﺘﻔﺎده در اﯾﻦ ﻣﺴـﺄﻟﻪ، اﻟﮕﻮرﯾﺘﻢ ﺑﻬﯿﻨﻪ ﺳـﺎزي ﻣﺒﺘﻨﯽ ﺑﺮ آﻣﻮزش - ﯾﺎدﮔﯿﺮي ﻣﯽﺑﺎ ﺷـﺪ، ﮐﻪ ﺑﺎ ا ﺳـﺘﻔﺎده از دو ﻓﺎز ﯾﺎدﮔﯿﺮي و آﻣﻮزش ﺑﻬﺘﺮﯾﻦ ﮔﺮه ﻣﻪ ﺑﺮاي اراﯾﻪ ﺧﺪﻣﺎت ﺑﻪ ﮐﺎرﺑﺮ اﻧﺘﺨﺎب و ﺳـﻪ ﭘﺎراﻣﺘﺮ درآﻣﺪ اراﺋﻪدﻫﻨﺪﮔﺎن اﺑﺮي، ﻣﯿﺎﻧﮕﯿﻦ ﺗﺎﺧﯿﺮ و ر ﺿـﺎﯾﺖ ﮐﺎرﺑﺮان ﮐﻪ ﺑﺎ ﻫﺪف ﺗﺨ ﺼـﯿﺺ ﻣﻨﺎﺑﻊ ﻣﺸـﺘﺮك اﺳـﺖ ﻣﺤﺎﺳـﺒﻪ ﻣﯽﮔﺮدد. اﯾﻦ اﻟﮕﻮرﯾﺘﻢ ﺑﻪ روي ﻣﺪل اﺟﺮا ﺷـﺪه و ﺑﺎ روش ﺗﺼـﺎدﻓﯽ ﻣﻘﺎﯾﺴـﻪ ﻣﯽ ﺷـﻮد. اﯾﻦ ﻣﺪل و اﻟﮕﻮرﯾﺘﻢ ﻣﻨﺘﺨﺐ، ﻧﺴـﺒﺖ ﺑﻪ اﻟﮕﻮرﯾﺘﻢﻫﺎي اﺳـﺘﻔﺎده ﺷـﺪه در ﺣﻞ ﻣﺪلﻫﺎي ﻣﺸـﺎﺑﻪ اﯾﻦ ﻣ ﺴـﺄﻟﻪ، ﺳـﻮد اراﺋﻪدﻫﻨﺪﮔﺎن ﺧﺪﻣﺎت را اﻓﺰاﯾﺶ ﻣﯽدﻫﺪ.