یک مدل هوش مصنوعی برای زمان بندی وظایف به صورت آگاه از انرژی بر پایه اتوماتای یادگیر تصادفی برای کاربردهای اینترنت اشیا

در این مقاله یک مدل هوشمند مصنوعی برای زمان بندی وظایف (task scheduling) به صورت آگاه از انرژی (energyaware) بر پایه اتوماتای یادگیر (learning automata) در کاربردهای رایانش مه (fog computing) ارائه شده است. رایانش مه یک لایه محاسباتی توزیع شده است که به عنوان یک لایه میانی بین ابر و اینترنت اشیا به منظور ارتقاء کیفیت خدمات عمل می کند.  یکی ازمهمترین فاکتورها در مصرف انرژی مربوط به زمان بندی وظایف است. در این مقاله موضوع زمان بندی وظایف در محیط مه به منظور کاهش مصرف انرژی، زمان اتمام کار(makespan) و هزینه با استفاده از اتوماتای یادگیر بررسی شده است. سپس برای اولین بار یک شبکه عصبی به عنوان مدل هوش مصنوعی بر اساس اتوماتای یادگیر برنامه ریزی وظایف در محیط مه ارائه شده است. مدل شبکه عصبی ارائه شده توانایی پیش بینی ارتباط بین پارامترهای زمان اتمام کار، انرژی و هزینه را بر اساس تعداد ماشین های مجازی دارد. نتایج مدل هوش مصنوعی ارائه شده نشان می‌دهد که تمام پارامترهای مذکور با کمتر از یک درصد پیش بینی شده اند. همچنین در مدل ارایه شده خطای آموزش و آزمون برای پارامتر زمان اتمام کار به ترتیب 0.02 و 0.04 بدست آمد، برای پارامتر انرژی به ترتیب 0.16 و 0.84 بدست آمد و برای پارامتر هزینه به ترتیب 0.02 و 0.19 بدست آمد.

An artificial intelligence model for energy-aware task scheduling based on learning automation for IoT applications .

In this paper, an artificial intelligence model for energyaware task scheduling is based on learning automata in Fog Computing applications. fog computing is a distributed computing layer that acts as an intermediate layer between the cloud and the Internet of Things to improve the quality of services. One of the most important factors in energy consumption is related to task scheduling. This paper examines the timing of tasks in a fog environment to reduce energy consumption, makespan, and cost using learning automata. Then, for the first time, a neural network is introduced as a model of artificial intelligence based on learning automata in fog. The proposed neural network model has the ability to predict the relationship between the parameters of completion time, energy, and cost based on the number of virtual machines. The results of the proposed artificial intelligence model show that all the mentioned parameters are predicted with less than one percent accuracy.