بهبود کاربرد اینترنت اشیا به کمک بهینه سازی زمان‌بندی در محاسبه لبه

با گسترش اینترنت اشیا (iot) و نفوذ گسترده شبکه‌های بی‌سیم، تقاضای فزاینده برای انتقال داده و محاسبات، نیازمند الگوریتم محاسباتی مناسبی جهت بهبود کاربرد اینترنت اشیا است. به دلیل محدود بودن توان محاسباتی و ظرفیت انرژی در این فناوری، محاسبات لبه(ec) و شبکه فوق متراکم (udn) به عنوان دو فناوری کارامد برای حل مشکل معرفی می‌شوند. روش انتقال وظیفه در شبکه فوق متراکم می‌تواند برای بهبود کارایی سیستم، زمان پاسخ و کاهش مصرف انرژی استفاده شود. منابع محاسباتی محدود در ابرهای لبه و تقاضای کاربران، زمان‌بندی درخواست‌های محاسباتی برای لبه ابری را چالش‌برانگیز می‌کند. برای این منظور در این مقاله، ابتدا مسئله تخصیص توان انتقال(pa) برای کاربران جهت کاهش مصرف انرژی توسط یک مدل بازی غیرهمکارانه تعریف شده است. سپس مسئله انتقال درخواست و منابع محاسباتی برای کاهش تاخیر پاسخ درخواست‌ها مدل‌سازی شده است. در این مقاله مسئله انتقال درخواست و برنامه‌ریزی منابع محاسباتی به طور مشترک توسط الگوریتم بهینه سازی چندهدفه مبتنی بر الگوریتم ژنتیک نخبه گرای غیرغالب بررسی می‌شود. نتایج شبیه‌سازی نشان می‌دهد که الگوریتم پیشنهادی می‌تواند در مصرف انرژی انتقال صرفه‌جویی کند و خاصیت همگرایی خوبی دارد و می‌تواند عملکرد خوبی را در یک شبکه فوق متراکم پویا ایجادکند.

improving iot application using optimized scheduling in edge computation

with the expansion of the internet of things (iot) and the widespread penetration of wireless networks, there is an increasing demand for data transmission and computation, requiring suitable computational algorithms to improve iot application. due to limited computational power and energy capacity in this technology, edge computation (ec) and ultra-dense networks (udn) are introduced as two efficient technologies to address this issue. consequently, task offloading in udn can be utilized to enhance system performance, response time, and reduce energy consumption. however, the limited computational resources in edge clouds and the dynamic demands of users pose challenges for scheduling computational requests to suitable edge clouds. therefore, in this paper, the problem of power allocation (pa) for users to reduce energy consumption is presented, and a non-cooperative game model is defined for it. furthermore, the problem of request offloading and resource allocation to reduce response latency is modeled. in this paper, the joint problem of request offloading and resource scheduling is investigated by an elite-guided non-dominated genetic multi-objective optimization algorithm. simulation results demonstrate that the proposed algorithm can save energy consumption in the offloading process, exhibits good convergence, and achieves good performance in a dynamic ultra-dense network.