تولید هوشمند

با توسعه فناوری‌های اطلاعاتی و ارتباطی مانند شبکه‌های حسگر بی‌سیم [1]، اینترنت صنعتی اشیاء (IIoT) [2،3] و محاسبات ابری [4]، تحول و ارتقاء فناوری تولید ترویج شده است که باعث می شود تولید سنتی به سمت تولید هوشمند سوق پیدا کند. تجهیزات تولید، دستگاه‌های انتقال، حسگرها و سایر دستگاه‌های پایانه در خطوط تولید هوشمند بر اساس شبکه‌های ارتباطی ناهمگن مختلف به هم متصل شده‌اند و باعث می‌شوند جزایر اطلاعاتی سنتی به مدل اتصال متقابل تکامل یابند. در همین حال، استفاده گسترده از دستگاه های هوشمند، حجم زیادی از وظایف را ایجاد کرده است که نیاز به پردازش زمان واقعی دارند [5]. محاسبات ابری در ابتدا به عنوان توانمند کننده اصلی در نظر گرفته می شد که قادر به پردازش داده های عظیم تولید شده توسط دستگاه های IIoT بود. با این حال، مشکلات زیادی در رایانش ابری وجود دارد که برجسته‌ترین آنها عمدتاً در دو جنبه زیر آشکار می‌شوند: انتقال داده‌های مقیاس بزرگ از دستگاه‌های IIoT به ابر ممکن است مؤثر نباشد و در برخی موارد حتی ممکن است به دلیل محدودیت های پهنای باند امکان پذیر باشد. از سوی دیگر، فاصله جغرافیایی قابل ملاحظه‌تر بین دستگاه لبه هوشمند و مرکز خدمات ابری ممکن است منجر به تأخیر خدمات بیشتر شود [6]، که کیفیت خدمات مورد نیاز برای درخواست‌های مشتری، مانند درخواست‌های تأخیر بسیار کم در خطوط تولید هوشمند را نقض می‌کند.
یک الگوی محاسباتی نزدیکتر به دستگاه های متصل برای حل مشکلات ذکر شده در بالا مورد نیاز است. محاسبات مه / محاسبات لبه، توسعه و بهبود محاسبات ابری، گره‌های مه را با قابلیت‌های محاسباتی و ذخیره‌سازی خاص در نزدیکی دستگاه‌های ترمینال مستقر می‌کند و خدمات ابری را قادر می‌سازد تا به لبه شبکه برای پاسخ سریع‌تر به درخواست‌ها برای کارهای حساس به زمان مهاجرت کنند [7]. ]. با این حال، محاسبات مه نمی تواند به طور کامل جایگزین محاسبات ابری شود. در مقابل، هر دو فناوری می توانند با هم کار کنند تا تاخیر و قابلیت اطمینان را بهبود بخشند، زمان پاسخ را کاهش دهند، و به طور گسترده در بسیاری از زمینه ها استفاده می شوند [8]. به عنوان مثال، در [9]، یک استراتژی مبتنی بر محاسبات ابری مه برای سیستم واقعیت مجازی کارخانه کشتی سازی Industry 4.0 پیشنهاد شد.

برخی از مشکلات فوری در محاسبات ابری-مه‌آلود و برنامه‌ریزی وظایف خط تولید هوشمند وجود دارد. تفاوت های قابل توجهی در توان محاسباتی، ذخیره سازی و قابلیت های ارتباطی در میان گره های مه مختلف در یک محیط محاسباتی ابر-مه وجود دارد. وظایف تولید شده توسط دستگاه های پایانه در زمان واقعی و مصرف انرژی بسیار ناهمگن هستند [10،11]. در خط تولید هوشمند، توالی های مختلف خدمات وظیفه تاخیرهای متفاوتی را به همراه دارد. به طور خاص، برخی از وظایف حساس به زمان، مانند هشدار زودهنگام خط تولید و تاخیرهای زیاد ناشی از استراتژی‌های زمان‌بندی غیرمنطقی وظایف، می‌تواند منجر به نتایج فاجعه‌بار شود.
از سوی دیگر، در خطوط تولید هوشمند که باتری‌ها انرژی بسیاری از گره‌های مه را تامین می‌کنند، استراتژی‌های زمان‌بندی وظایف مختلف منجر به مصرف انرژی متفاوت می‌شود که به ناچار مشکلات زیادی را به همراه دارد. به عنوان مثال، یک مطالعه نشان داد که هنگامی که یک دستگاه نمی تواند به موقع شارژ شود، تبادل مکرر داده، انتقال و پردازش می تواند باعث کاهش قابل توجه عمر باتری به دلیل تخلیه آنی شود و در نتیجه باعث ایجاد خطر امنیتی نشت داده شود [12]. این یک چالش بزرگ برای خطوط تولید هوشمند برای اطمینان از تاخیر کم برای تکمیل وظایف و کاهش موثر مصرف برق گره های مه است. با این حال، هنوز مطالعات کمی در مورد زمان‌بندی وظایف برای خطوط تولید هوشمند در بررسی ادبیات ما وجود دارد. در خط تولید هوشمند، تأخیر و کمینه‌سازی انرژی را به‌عنوان جهت بهینه‌سازی برای زمان‌بندی وظایف، با در نظر گرفتن تفاوت‌های حساس به زمان انواع مختلف وظایف و ناهمگونی مصرف انرژی در حال اجرا گره‌های محاسباتی مختلف در نظر می‌گیریم.
مسئله زمانبندی کار یک مسئله دشواری چند جمله ای غیر قطعی (NP-hard) چالش برانگیز است [13]. تا به امروز، الگوریتم ابتکاری ترکیبی می تواند مزایای الگوریتم های ابتکاری مختلف را برای حل مسئله زمان بندی کار با دقت بالا ترکیب کند [14].

برنامه ریزی وظایف محاسبات ابری

رایانش ابری محاسبات، ذخیره سازی و سایر خدمات کاربردی غنی را برای تولید صنعتی فراهم می کند که مصرف انرژی زیادی را به همراه دارد. با توجه روزافزون به خنثی بودن کربن [15]، بهبود کارایی تخصیص وظایف محاسبات ابری و کاهش مصرف انرژی در صنعت ضروری است. برای به دست آوردن بهترین عملکرد زمان‌بندی وظایف در رایانش ابری، راجاکوماری و همکاران. [16] یک الگوریتم کلونی مورچه موازی ازدحام ذرات ترکیبی فازی را پیشنهاد کرد. این الگوریتم زمان‌بندی کار را با اهداف به حداقل رساندن اجرا و زمان انتظار، افزایش توان سیستم و به حداکثر رساندن استفاده از منابع بهبود بخشید. با این حال، این مطالعه کارایی انرژی را در نظر نگرفت. رائو و همکاران با فرض اطمینان از کیفیت خدمات رایانش ابری. [17] هماهنگی و به حداقل رساندن مصرف انرژی برنامه ریزی مرکز داده را تکمیل کرد. لین و همکاران [18] دو الگوریتم زمان‌بندی وظایف چندمنبعی IoT-Aware را برای مرتب‌سازی مجدد وظایف بر اساس اولویت، و زمان‌بندی کار با استفاده از الگوریتم‌های اکتشافی پیشنهاد کرد. نتایج شبیه‌سازی نشان داد که این روش می‌تواند مصرف انرژی را تا حد ممکن کاهش دهد و در عین حال از نتایج زمان پاسخ و تعادل بار وظایف IoT اطمینان حاصل کند. اگرچه دو مطالعه فوق تخصیص کار را هدایت می کنند، تفاوت در مصرف توان خود واحد محاسباتی برای زمان بندی کار در نظر گرفته نشده است.

زمان‌بندی وظایف محاسباتی مه

گره های مه در توزیع و ظرفیت محاسباتی تفاوت هایی دارند. زمان‌بندی مؤثر وظایف درخواست شده توسط دستگاه‌های پایانه می‌تواند تاخیر سرویس و مصرف انرژی را کاهش دهد [19]. در زمینه تولید هوشمند، میتون و همکاران. [20] راه حلی برای مشکل تخلیه وظیفه محاسبات مه پیشنهاد کرد. این راه حل مسئله بهینه سازی را به صورت ریاضی مدل کرد و از برنامه ریزی درجه دوم محدودیت درجه دوم برای حل مسئله وزن زدایی استفاده کرد و در نهایت مسئله بهینه سازی را با روش آرام سازی نیمه قطعی حل کرد. چکیرد و همکاران [21] یک روش زمان‌بندی وظایف بهینه‌سازی چندهدفه رایانش مه خود تطبیقی ​​را پیشنهاد کرد، که مشکل بهینه‌سازی چند هدفه زمان‌بندی کار محاسبات مه را با کل زمان اجرا و هزینه منابع وظایف به عنوان اهداف بهینه‌سازی حل کرد. هر دو مطالعه ایده های بسیار خوبی برای کاهش پردازش کار و زمان انتظار ارائه کردند، اما هیچکدام مصرف انرژی پردازش کار را کاهش ندادند. در تحقیق هانگ و همکاران. [22]، یک الگوریتم تخلیه محاسباتی مشترک و تخصیص منابع بی سیم بر اساس بهینه سازی لیاپانوف برای به حداقل رساندن تاخیر سیستم، مصرف انرژی، وزن دهی MD و سایر هزینه های مرتبط پیشنهاد شد. با این حال، این مطالعه تعامل بین مرکز ابر و گره‌های مه را نادیده گرفت و تنها مشکل اصلی را به چندین مشکل فرعی در هر شکاف زمانی تقسیم کرد و سپس آنها را به گره‌های مه مختلف برای محاسبه اختصاص داد. فرض کنید با کاری مواجه می شویم که به تعداد زیادی منابع محاسباتی نیاز دارد و تقسیم بندی نشده است، مانند پردازش تصویر هوشمند خط تولید. در آن صورت، گره مه با محدودیت منابع نمی تواند آن را پردازش کند، در نتیجه کار نمی تواند تکمیل شود. کشاورز نژاد و همکاران برای مسئله تخلیه وظیفه در محاسبات مه. [23] یک مسئله بهینه سازی چند هدفه مصرف انرژی و تاخیر را پیشنهاد کرد که با استفاده از یک الگوریتم ابتکاری ترکیبی حل شد. نتایج نشان داد که بهترین مبادله بین احتمال تخلیه و مصرف انرژی مورد نیاز برای انتقال داده به دست آمد. متأسفانه، این رویکرد وظایف را برای پاسخ سریع به وظایف فوری طبقه بندی نمی کند.

زمان‌بندی وظایف محیط محاسباتی ابری

در محاسبات ابری مه، زمان‌بندی وظایف اینترنت اشیا برای کاهش تأخیر و انرژی کارهای حساس به زمان توجه محققان را به خود جلب کرده است [24]. عبدالمونیم و همکاران [25] یک روش زمان‌بندی و تخصیص کار آگاه از موبایل را تحت الگوی محاسبات ابری-مه‌آلود پیشنهاد کرد که مصرف انرژی پردازش کار و تأخیر کار را تا حد زیادی کاهش داد. این روش به طور موثری تکلیف دستگاه حسگر را در صحنه موبایل حل کرد. با این حال، برای خطوط تولید هوشمند و غیره که سنسورها اکثراً ثابت بودند، نامناسب بود. موکنی و همکاران [26] وظایف اینترنت اشیا را با وابستگی‌ها تحت محاسبات ابری-مه‌آلود مورد مطالعه قرار داد، برنامه‌ریزی گردش کار مدل‌سازی را به‌عنوان یک مسئله بهینه‌سازی چند هدفه پیشنهاد کرد، و یک راه‌حل سازشی در مورد زمان پاسخ، هزینه و حداکثر زمان تکمیل طراحی کرد. الگوریتم پیشنهادی در حل مسئله زمانبندی که به جریان کار بستگی داشت برتر بود. با این حال، مشکل زمان‌بندی وظایف مستقل را حل نکرد. الگوریتم راه‌حل بهینه پارتو را به‌دست آورد، که نمی‌توانست وظایف فوری را که نیاز به پاسخ زمان بسیار کم دارند، برآورده کند. بیشت و همکاران [27] مشکل پاسخ سریع به کار را در محیط محاسبات ابر-مه مطالعه کرد. آنها یک روش زمانبندی گردش کار با کمترین حداکثر زمان تکمیل و مصرف انرژی را پیشنهاد کردند. این تحقیق بر اساس طول کار برای زمان‌بندی بود و نمی‌توانست به سرعت به وظایف فوری و پیچیده پاسخ دهد.
بر اساس مطالعات فوق، متوجه می‌شویم که مشکل زمان‌بندی کار در محیط محاسباتی مه ابری، یک کانون تحقیقاتی در زمینه اینترنت اشیا است و تحقیقات موجود نمی‌تواند الزامات تأخیر کم و مصرف انرژی کم را برای زمان‌بندی وظایف چند اولویتی در خطوط تولید هوشمند برآورده کند.

الگوریتم اکتشافی برای حل مسئله زمانبندی کار

الگوریتم‌های ابتکاری زیرمجموعه‌ای از حوزه هوش مصنوعی هستند که در حل مسائل مختلف بهینه‌سازی محبوب هستند و اغلب برای حل مسائل زمان‌بندی کار استفاده می‌شوند [28،29]. الگوریتم های اکتشافی رایج شامل بهینه سازی کلونی مورچه ها (ACO) [30]، الگوریتم ژنتیک (GA) [31]، بهینه سازی ازدحام ذرات (PSO) [32]، الگوریتم بازپخت شبیه سازی شده (SAA) [33]، بهینه ساز گرگ خاکستری (GWO) [ 34]، الگوریتم بهینه سازی پروانه سلطنتی (MBO) [35] و غیره. MBO با رویه‌های محاسباتی ساده و پارامترهای کمتر، به راحتی در این الگوریتم‌ها پیاده‌سازی می‌شود. MBO برای حل مشکلات جستجو در مقیاس کوچک مناسب است و به طور گسترده در بسیاری از زمینه ها استفاده می شود [36]. ACO می تواند در مقیاس بزرگ جستجو کند. برای بهبود فرآیند جستجوی خود، می‌تواند قابلیت‌های کاوش و توسعه عالی در مرحله ایجاد راه‌حل بهینه داشته باشد [28].
بسیاری از محققان پیشنهاد کرده‌اند که چندین اکتشافی منفرد باید در یک الگوریتم ترکیبی ترکیب شوند تا عملکرد زمان‌بندی کار بهتری به دست آید. در [37]، یک چارچوب تخصیص سرویس مبتنی بر فراابتکاری برای برنامه ریزی درخواست های سرویس لبه با استفاده از سه تکنیک فراابتکاری، PSO، PSO باینری و الگوریتم Bat (Bat) طراحی شد. نتایج تجربی نشان داد که چارچوب مشکل کمینه‌سازی دو هدفه مصرف انرژی و حداکثر زمان تکمیل را حل می‌کند. Ref et al. [38] یک الگوریتم بیونیک ترکیبی برای زمان‌بندی وظایف محاسبات ابری و مدیریت منابع پیشنهاد کرد. فو و همکاران [39] کیفیت خدمات رایانش ابری را با اتخاذ الگوریتم بهینه‌سازی زمان‌بندی کار PSO و GA ترکیبی بهبود بخشید. اسناد زیادی در مورد الگوریتم‌های زمان‌بندی وظایف محاسبات ابری وجود دارد، اما مطالعات کمی در مورد الگوریتم‌های زمان‌بندی ابتکاری ترکیبی برای زمان‌بندی وظایف تحت محاسبات ابری-مه‌آلود وجود دارد.

منابع

1. Khalid, N.; Mirzavand, R.; Saghlatoon, H.; Honari, M.M.; Mousavi, P. A three-port zero-power RFID sensor architecture for IoT applications. IEEE Access 2020, 8, 66888–66897. [Google Scholar] [CrossRef]
2. Serror, M.; Hack, S.; Henze, M.; Schuba, M.; Wehrle, K. Challenges and opportunities in securing the industrial internet of things. IEEE Trans. Ind. Inform. 2021, 17, 2985–2996. [Google Scholar] [CrossRef]
3. Xu, L.D.; He, W.; Li, S.C. Internet of things in industries: A survey. IEEE Trans. Ind. Inform. 2014, 10, 2233–2243. [Google Scholar] [CrossRef]
4. Alhaidari, F.; Rahman, A.; Zagrouba, R. Cloud of things: Architecture, applications and challenges. J. Ambient Intell. Humaniz. Comput. 2020, 1–19. [Google Scholar] [CrossRef]
5. Wang, J.; Li, D.; Hu, Y. Fog nodes deployment based on space–time characteristics in smart factory. IEEE Trans. Ind. Inform. 2021, 17, 3534–3543. [Google Scholar] [CrossRef]
6. Alqahtani, F.; Amoon, M.; Nasr, A.A. Reliable scheduling and load balancing for requests in cloud-fog computing. Peer Peer Netw. Appl. 2021, 14, 1905–1916. [Google Scholar] [CrossRef]
7. Yousefpour, A.; Fung, C.; Nguyen, T.; Kadiyala, K.; Jalali, F.; Niakanlahiji, A.; Kong, J.; Jue, J.P. All one needs to know about fog computing and related edge computing paradigms: A complete survey. J. Syst. Archit. 2019, 98, 289–330. [Google Scholar] [CrossRef]
8. Mijuskovic, A.; Chiumento, A.; Bemthuis, R.; Aldea, A.; Havinga, P. Resource management techniques for cloud/fog and edge computing: An evaluation framework and classification. Sensors 2021, 21, 1832. [Google Scholar] [CrossRef]
9. Fernández-Caramés, T.M.; Fraga-Lamas, P.; Suárez-Albela, M.; Vilar-Montesinos, M. A fog computing and cloudlet based augmented reality system for the industry 4.0 shipyard. Sensors 2018, 18, 1798. [Google Scholar] [CrossRef][Green Version]
10. Wang, J.; Xiao, J.; Li, D. Computing modes-based task processing for industrial internet of things. Int. J. Auton. Adapt. Commun. Syst. 2019, 12, 343–357. [Google Scholar] [CrossRef]
11. Mouradian, C.; Naboulsi, D.; Yangui, S.; Glitho, R.H.; Morrow, M.J.; Polakos, P.A. A comprehensive survey on fog computing: State-of-the-art and research challenges. IEEE Commun. Surv. Tutor. 2017, 20, 416–464. [Google Scholar] [CrossRef][Green Version]
12. Shim, Y.; Park, H.; Shin, W. Joint time allocation for wireless energy harvesting decode-and-forward relay-based IoT networks with rechargeable and nonrechargeable batteries. IEEE Internet Things J. 2020, 8, 2792–2801. [Google Scholar] [CrossRef]
13. Bjerkevik, H.B.; Botnan, M.B.; Kerber, M. Computing the interleaving distance is NP-hard. Found. Comput. Math. 2020, 20, 1237–1271. [Google Scholar] [CrossRef][Green Version]
14. Wang, J.; Li, D. Task scheduling based on a hybrid heuristic algorithm for smart production line with fog computing. Sensors 2019, 19, 1023. [Google Scholar] [CrossRef][Green Version]
15. Iacobucci, G. Government should commit to making GP premises carbon neutral by 2030, say leaders. BMJ 2021, 373, n1228. [Google Scholar] [CrossRef]
16. Rajakumari, K.; Kumar, M.V.; Verma, G.; Balu, S.; Sharma, D.-K.; Sengan, S. Fuzzy based ant colony optimization scheduling in cloud computing. Comput. Syst. Sci. Eng. 2022, 40, 581–592. [Google Scholar] [CrossRef]
17. Rao, L.; Liu, X.; Ilic, M.D.; Liu, J. Distributed coordination of internet data centers under multiregional electricity markets. Proc. IEEE 2011, 100, 269–282. [Google Scholar]
18. Lin, W.; Peng, G.; Bian, X.; Xu, S.; Chang, V.; Li, Y. Scheduling algorithms for heterogeneous cloud environment: Main resource load balancing algorithm and time balancing algorithm. J. Grid Comput. 2019, 17, 699–726. [Google Scholar] [CrossRef]
19. Laghari, A.A.; Jumani, A.K.; Laghari, R.A. Review and state of art of fog computing. Arch. Comput. Methods Eng. 2021, 28, 3631–36433. [Google Scholar] [CrossRef]
20. Mukherjee, M.; Kumar, S.; Mavromoustakis, C.X.; Mastorakis, G.; Matam, R.; Kumar, V.; Zhang, Q. Latency-driven parallel task data offloading in fog computing networks for industrial applications. IEEE Trans. Ind. Inform. 2020, 16, 6050–6058. [Google Scholar] [CrossRef]
21. Chekired, D.A.; Khoukhi, L.; Mouftah, H.T. Industrial IoT data scheduling based on hierarchical fog computing: A key for enabling smart factory. IEEE Trans. Ind. Inform. 2018, 14, 4590–4602. [Google Scholar] [CrossRef]
22. Chang, Z.; Liu, L.; Guo, X.; Sheng, Q. Dynamic resource allocation and computation offloading for IoT fog computing system. IEEE Trans. Ind. Inform. 2021, 17, 3348–3357. [Google Scholar] [CrossRef]
23. Keshavarznejad, M.; Rezvani, M.H.; Adabi, S. Delay-aware optimization of energy consumption for task offloading in fog environments using metaheuristic algorithms. Clust. Comput. J. Netw. Softw. Tools Appl. 2021, 24, 1825–1853. [Google Scholar] [CrossRef]
24. Huang, T.; Lin, W.; Xiong, C.; Pan, R.; Huang, J. An ant colony optimization-based multiobjective service replicas placement strategy for fog computing. IEEE Trans. Cybern. 2020, 51, 5595–5608. [Google Scholar] [CrossRef] [PubMed]
25. Abdelmoneem, R.M.; Benslimane, A.; Shaaban, E. Mobility-aware task scheduling in cloud-fog IoT-based healthcare architectures. Comput. Netw. 2020, 179, 107348. [Google Scholar] [CrossRef]
26. Mokni, M.; Yassa, S.; Hajlaoui, J.E.; Chelouah, R.; Omri, M.N. Cooperative agents-based approach for workflow scheduling on fog-cloud computing. J. Ambient Intell. Humaniz. Comput. 2021, 1–20. [Google Scholar] [CrossRef]
27. Bisht, J.; Subrahmanyam, V.V. Energy efficient and optimized makespan workflow scheduling algorithm for heterogeneous resources in fog-cloud-edge collaboration. In Proceedings of the 6th IEEE International Women in Engineering (WIE) Conference on Electrical and Computer Engineering (WIECON-ECE), Bhubaneswar, India, 26–27 December 2020; pp. 78–83. [Google Scholar]
28. Tang, J.; Liu, G.; Pan, Q. A review on representative swarm intelligence algorithms for solving optimization problems: Applications and trends. IEEE/CAA J. Autom. Sin. 2021, 8, 1627–1643. [Google Scholar] [CrossRef]
29. Gharehchopogh, F.S.; Shayanfar, H.; Gholizadeh, H. A comprehensive survey on symbiotic organisms search algorithms. Artif. Intell. Rev. 2020, 53, 2265–2312. [Google Scholar] [CrossRef]
30. Dorigo, M.; di Caro, G. Ant colony optimization: A new meta-heuristic. In Proceedings of the 1999 Congress on Evolutionary Computation-CEC99 (Cat. No. 99TH8406), Washington, DC, USA, 6–9 July 1999; pp. 1470–1477. [Google Scholar]
31. Katoch, S.; Chauhan, S.S.; Kumar, V. A review on genetic algorithm: Past, present, and future. Multimed. Tools Appl. 2020, 80, 8091–8126. [Google Scholar] [CrossRef]
32. Bonyadi, M.R. A theoretical guideline for designing an effective adaptive particle swarm. IEEE Trans. Evol. Comput. 2019, 24, 57–68. [Google Scholar] [CrossRef]
33. Suman, B.; Kumar, P. A survey of simulated annealing as a tool for single and multiobjective optimization. J. Oper. Res. Soc. 2006, 57, 1143–1160. [Google Scholar] [CrossRef]
34. Mirjalili, S.; Mirjalili, S.M.; Lewis, A. Grey wolf optimizer. Adv. Eng. Softw. 2014, 69, 46–61. [Google Scholar] [CrossRef][Green Version]
35. Wang, G.-G.; Deb, S.; Cui, Z. Monarch butterfly optimization. Neural Comput. Appl. 2019, 31, 1995–2014. [Google Scholar] [CrossRef][Green Version]
36. Nalluri, M.R.; Kannan, K.; Gao, X.-Z.; Roy, D.S. Multiobjective hybrid monarch butterfly optimization for imbalanced disease classification problem. Int. J. Mach. Learn. Cybern. 2020, 11, 1423–1451. [Google Scholar] [CrossRef]
37. Mishra, S.K.; Puthal, D.; Rodrigues, J.J.; Sahoo, B.; Dutkiewicz, E. Sustainable service allocation using a metaheuristic technique in a fog server for industrial applications. IEEE Trans. Ind. Inform. 2018, 14, 4497–4506. [Google Scholar] [CrossRef]
38. Fu, X.; Sun, Y.; Wang, H.; Li, H. Task scheduling of cloud computing based on hybrid particle swarm algorithm and genetic algorithm. Clust. Comput. 2021, 1–10. [Google Scholar] [CrossRef]
39. Domanal, S.G.; Guddeti, R.M.R.; Buyya, R. A hybrid bio-inspired algorithm for scheduling and resource management in cloud environment. IEEE Trans. Serv. Comput. 2017, 13, 3–15. [Google Scholar] [CrossRef]

برای دانلود پروژه نمونه بهینه سازی مه و محاسبات ابری در محیط های اینترنت اشیاء موبایل به همراه شبیه سازی، اینجا کلیک کنید.

پروژه مشابه دارید؟

برای ثبت سفارش در سیمیا می توانید از طریق اپلیکیشن سیمیا، یا فرم ثبت سفارش در سایت اقدام کرده و یا از طریق ایمیل، واتساپ، تلگرام و اینستاگرام اقدام نمایید.

اپلیکیشن سیمیا را از بازار و مایکت دانلود کنید.

سریع ترین راه پاسخگویی سیمیا، واتساپ و سروش می باشد. لینک واتساپ، اینستاگرام و تلگرام در پایین سایت وجود دارد.

 09392265610

نشانی ایمیل سیمیا simiya_ht@yahoo.com می باشد.

از برقراری تماس برای هماهنگی پروژه خودداری کنید، حجم بالای سفارشات به ما اجازه نمی دهد تا از طریق تلفن پاسخگوی شما عزیزان باشیم، حتما درخواست خود را به صورت مکتوب و از طریق یکی از راه های ذکر شده فوق ارسال نمایید، درخواست خود را به طور کامل و با تمام فایل ها و توضیحات لازم ارسال نمایید تا مدت زمان بررسی آن به حداقل برسد. پس از تعیین کارشناس، در اسرع وقت به شما پاسخ می دهیم.