با گسترش سریع اینترنت اشیا، شبکه‌های نسل پنجم و سامانه‌های هوشمند، حجم عظیمی از داده‌های بلادرنگ تولید می‌شود که پردازش آن‌ها نیازمند تأخیر کم، بهره‌وری بالا و مدیریت بهینه منابع است. در این میان، پردازش لبه به‌عنوان راهکاری مؤثر برای انتقال بخشی از پردازش‌ها از ابر به نزدیکی منبع داده مطرح شده است. با این حال، محدودیت منابع محاسباتی و انرژی در گره‌های لبه، مسئله زمان‌بندی وظایف را به یکی از چالش‌های اساسی این معماری تبدیل کرده است. در این پژوهش، کارآمدی روش‌های زمان‌بندی مبتنی بر الگوریتم‌های فراابتکاری در محیط‌های پردازش لبه با تمرکز بر اینترنت اشیا و قابلیت یکپارچه‌سازی با بلاکچین بررسی شده است. بدین منظور، یک مدل سه‌لایه شامل دستگاه‌های IoT، گره‌های لبه و زیرساخت ابری ارائه شده و مسئله تخصیص وظایف به‌صورت یک مسئله بهینه‌سازی چندهدفه مدل‌سازی گردیده است. در روش پیشنهادی، از الگوریتم ژنتیک و بهینه‌سازی ازدحام ذرات برای کاهش تأخیر، بهبود کیفیت خدمات و افزایش بهره‌وری منابع استفاده شده است. نتایج شبیه‌سازی نشان داد الگوریتم ژنتیک با میانگین تأخیر ۶۵ میلی‌ثانیه و بهره‌وری منابع ۸۸ درصد، عملکرد بهتری نسبت به روش‌های Greedy، Round Robin و Random دارد. یافته‌ها بیانگر آن است که استفاده از الگوریتم‌های فراابتکاری می‌تواند نقش مؤثری در بهینه‌سازی زمان‌بندی وظایف و ارتقای کارایی سامانه‌های IoT–Edge ایفا کند.

پردازش لبه اینترنت اشیا بلاکچین الگوریتم‌های فراابتکاری رایانش مه