بهینه‌سازی زمان تکمیل وظایف در اینترنت اشیا با استفاده از الگوریتم تغییر یافته ازدحام ذرات

در محیط اینترنت اشیا مثلاً بخش پزشکی، با حجم زیادی از داده‌های خام و درخواست‌های مکرر مواجه هستیم که نیاز به پاسخ‌دهی سریع به درخواست‌ها و اطلاعات دارند. این چالش به‌ ویژه با استفاده از تکنولوژی‌های پیشرفته‌ای مانند محاسبات ابری، به دلیل ناپایداری منابع، پیچیده‌تر می‌شود. برای بهینه‌سازی مدیریت منابع، وظایفی که قابلیت انتقال به ابر را دارند، با استفاده از الگوریتم k-means به گروه‌هایی تقسیم می‌شوند. سپس، برای هر سرویس، یک ماشین مجازی با کمک الگوریتم بهینه‌سازی ازدحام ذرات ایجاد می‌شود تا مهاجرت و انتقال وظایف بین منابع به‌ صورت بهینه انجام شود. برای ارزیابی کیفیت سرویس، پارامتر زمان تکمیل وظایف مورد نظر قرار گرفته و از شبیه‌ساز کلودسیم و مجموعه داده‌های استاندارد پلنت‌لب استفاده شده است. نتایج تحقیق نشان می‌دهد که روش پیشنهادی نسبت به الگوریتم‌های ژنتیک، pabfd و الگوریتم ازدحام ذرات به ترتیب 4.86 درصد،6.81 درصد و 5.73 درصد در بهبود زمان تکمیل وظایف موفق‌ تر بوده است.

optimization of task completion time in the internet of things using a modified particle swarm algorithm

in the internet of things (iot) environment،especially in the medical sector،we are faced with a large volume of raw data and frequent requests that require fast response to requests and information. this challenge is especially complicated by the use of advanced technologies such as cloud computing،due to the instability of resources. to optimize resource management،tasks that can be transferred to the cloud are divided into groups using the k-means algorithm. then،for each service،a virtual machine (vm) is created with the help of the particle swarm optimization (pso) algorithm to optimally migrate and transfer tasks between resources. to evaluate the quality of service،the task completion time parameter (makespan) is considered and the cloudsim simulator and the planetlab standard dataset are used. the research results show that the proposed method was more successful in improving makespan time than genetic algorithms،pabfd and pso by 4.86%،6.81% and 5.73%،respectively.