زمان بندی وظایف اینترنت اشیا در محاسبات ابری با استفاده از الگوریتم بهینه‌ساز تعادل

اینترنت اشیاء ارتباط جهانی و همگانی اشیاء را با شبکه اینترنت توصیف می‌کند و امکان تبدیل اشیاء به دستگاه‌های متصل به اینترنت را فراهم می‌سازد. این اشیاء قادر به درک محیط، انتقال داده‌ها، پردازش آن‌ها و ارائه بازخورد به محیط هستند. با گسترش برنامه‌های مبتنی بر اینترنت اشیاء، حجم درخواست‌های پردازشی به‌شدت افزایش یافته و چالش‌های جدیدی برای مدیریت و پردازش این داده‌ها ایجاد کرده است. محاسبات ابری قابلیت انجام محاسبات سنگین در زمان کم و هزینه مناسب را ایجاد می‌کند. برای مدیریت کارآمد منابع و کاهش هزینه‌ها، استفاده از الگوریتم‌های فراابتکاری مانند الگوریتم بهینه‌ساز تعادل، که بر پایه قوانین فیزیکی طراحی شده است، می‌تواند بسیار موثر باشد. در این مقاله، یک مسئله بهینه‌سازی چندهدفه شامل معیارهایی همچون زمان خاتمه آخرین وظیفه، تاخیر، تعادل بار، پایداری، مصرف انرژی و هزینه پردازش در محیط یکپارچه ابر ارائه شده است. با بهره‌گیری از الگوریتم بهینه‌ساز تعادل، این مسئله حل شده و نتایج با الگوریتم‌های فراابتکاری برجسته مقایسه شده است. نتایج شبیه‌سازی نشان می‌دهد که الگوریتم پیشنهادی بهبود قابل‌توجهی در معیارهای مختلف داشته است. به‌طور خاص، در تابع زمان خاتمه آخرین وظیفه، الگوریتم پیشنهادی به ترتیب 9٪، 6.2٪، 9٪ و 11٪ نسبت به الگوریتم‌های pso، gsa، gwo و fa بهبود یافته است. همچنین، در کاهش تاخیر، این الگوریتم 8٪، 6.7٪، 9.4٪ و 9٪ عملکرد بهتری داشته است. از نظر هزینه پردازش، بهبود 1.3٪ تا 2٪، و در مصرف انرژی کاهش 2٪ تا 3.6٪ را نشان می‌دهد. در مجموع، برای توابع هدف به‌صورت همزمان، الگوریتم پیشنهادی حدود 5.6٪ تا 10٪ عملکرد بهتری نسبت به رقبا داشته است. این نتایج برتری الگوریتم پیشنهادی در بهینه‌سازی همزمان معیارهای مختلف و افزایش کارایی سیستم‌های رایانش ابری را نشان می‌دهد.

scheduling iot tasks in cloud computing using equilibrium optimizer algorithm

the internet of things (iot) describes the global and universal connection of objects to the internet, enabling them to function as smart devices capable of sensing their environment, transmitting data, processing it, and providing feedback. with the expansion of iot-based applications, the volume of processing requests has increased significantly, posing new challenges for managing and processing this data. cloud computing enables the execution of complex computations in a short time and at an affordable cost. efficient resource management and cost reduction can be achieved through metaheuristic algorithms such as the equilibrium optimizer (eo), which is inspired by physical principles. in this paper, a multi-objective optimization problem is formulated, encompassing criteria such as makespan, delay, load balancing, stability, energy consumption, and processing cost in an integrated cloud environment. the problem is solved using the eo algorithm, and the results are compared with prominent metaheuristic algorithms. simulation results demonstrate significant improvements achieved by the proposed algorithm. specifically, in terms of makespan, the proposed algorithm outperforms pso, gsa, gwo, and fa by 9%, 6.2%, 9%, and 11%, respectively. regarding delay reduction, it achieves 8%, 6.7%, 9.4%, and 9% better performance compared to the same algorithms. the algorithm also shows improvements of 1.3% to 2% in processing cost and reductions of 2% to 3.6% in energy consumption. overall, for simultaneous optimization of all objectives, the proposed algorithm achieves 5.6% to 10% better performance than its competitors. these results highlight the superiority of the proposed algorithm in optimizing multiple objectives and enhancing the efficiency of cloud computing systems.