موسسه آموزش عالی آپادانا فصلنامه پژوهش های نوین در شهرهوشمند 2980-8936 4 3 2026 07 01 Efficiency of Task Scheduling in Edge Computing for IoT and Blockchain Using Metaheuristic Algorithms کارامدی روش زمان‌بندی در پردازش لبه با نگاه به اینترنت اشیاء و بلاکچین با استفاده از الگوریتم‌های فراابتکاری 6 21 10.22051/jera.2021.31891.2698 FA َعلی دانشگاه آزاد اسلامی واحد لاهیجان 2026 05 25 With the rapid expansion of the Internet of Things, fifth-generation networks, and intelligent systems, a massive volume of real-time data is being generated, the processing of which requires low latency, high efficiency, and optimal resource management. In this context, edge computing has emerged as an effective solution to transfer part of the processing from the cloud to the vicinity of the data source. However, the limited computational and energy resources of edge nodes have made task scheduling one of the fundamental challenges of this architecture. This study investigates the efficiency of scheduling methods based on metaheuristic algorithms in edge computing environments, with a focus on the Internet of Things and the capability of integration with blockchain. To this end, a three-layer model comprising IoT devices, edge nodes, and cloud infrastructure is presented, and the task allocation problem is modeled as a multi-objective optimization problem. In the proposed method, genetic algorithm and particle swarm optimization are used to reduce latency, improve quality of service, and increase resource utilization. Simulation results showed that the genetic algorithm, with an average latency of 65 milliseconds and resource utilization of 88%, performs better than Greedy, Round Robin, and Random methods. The findings indicate that the use of metaheuristic algorithms can play an effective role in optimizing task scheduling and improving the efficiency of IoT–Edge systems. 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. /downloadfilepdf/1152945