23586

COM2 647

كارشناسي ارشد

مهندسي كامپيوتر- شبكه هاي كامپيوتري

مهندسي كامپيوتر

1402/11/11

72 ص.

محمدرضا خيام باشي

بارگذاري وظايف , محاسبات ابر و مه , يادگيري تقويتي , منطق فازي , اينترنت اشيا

فناوري اطلاعات و ارتباطات نقش بسيار حياتي در توسعه برنامه‌هاي نوظهور مانند واقعيت مجازي، واقعيت افزوده، شبكه هوشمند، صرفه‌جويي در انرژي، و برنامه‌هاي كمك شناختي پوشيدني ايفا مي‌كند. اين برنامه‌ها نياز به انرژي و قدرت براي كاركرد، قابليت پردازش، و ظرفيت ذخيره‌سازي دارند، همچنين به يك اجرا در زمان كوتاه و بدون تاخير نياز دارند. در پايان‌نامه حاضر، از تركيب يادگيري تقويتي ، فازي، و الگوريتم‌هاي ژنتيك در محيط ابر و مه براي بهينه‌سازي زمان و انرژي براي بارگذاري وظايف بهره گرفته شده است. دستگاه‌هاي ديجيتال پيشرفته با ويژگي‌هاي پردازش بلادرنگ داده، قدرت محاسباتي بالا، و قابليت اجراي برنامه‌هاي هوشمند جديد، امروزه ارائه شده‌اند. اين دستگاه‌ها به بهبود كارايي برنامه‌هاي پيچيده مانند واقعيت مجازي، برنامه‌هاي اينترنت اشيا، و ديگر برنامه‌هاي پرتوان و پويا كمك مي‌نمايند. در اين پايان‌نامه، به موضوع بارگذاري وظايف در محيط‌هاي پويا و مديريت هوشمندانه داده توليد شده توسط اينترنت اشيا و دستگاه‌هاي تلفن همراه پرداخته شده است. در اين پژوهش وظيفه اولويت بندي وظايف با استفاده از قواعد فازي انجام شده و پس از آن زمان‌بندي اجراي وظايف با استفاده از الگوريتم يادگيري تقويتي انجام شده است و در نهايت با استفاده از الگوريتم ژنتيك بهينه‌سازي شده است. روش پيشنهادي با رويكردهاي ديگري مانند PSO, WOA,SCA مقايسه شده است. نتيجه حاصل از مقايسه اين بوده است كه رويكرد پيشنهادي از نظر زمان اجرا، انرژي مصرفي، هزينه و همگرايي بهتر از رويكردهاي ذكر شده عمل نموده است

Cloud-Fog Computing , Fuzzy Logic , Reinforcement Learning , Internt of things , Task offloading

Presentation An intelligent model for offloading tasks in cloud and fog collaboration using fuzzy reinforcement learning

مهندسي كامپيوتر

Information and Communication Technology (ICT) plays a crucial role in the development of emerging applications such as virtual reality, augmented reality, smart networks, energy efficiency, and wearable cognitive assistance programs. These applications require energy, processing power, and storage capacity, as well as the ability to execute tasks quickly and without delay. In this thesis, a combination of reinforcement learning, fuzzy logic, and genetic algorithms has been employed in the cloud and fog computing environment to optimize the time and energy for task loading. Advanced digital devices with features such as high-speed data processing, substantial computational power, and the capability to run new intelligent programs have been introduced today. These devices contribute to improving the performance of complex applications like virtual reality, Internet of Things (IoT) applications, and other powerful and dynamic programs. This thesis focuses on the task of dynamic task prioritization and intelligent management of the data generated by IoT and mobile devices. The research prioritizes tasks using fuzzy logic rules, schedules task execution using reinforcement learning algorithms, and optimizes the process using genetic algorithms. The proposed method is compared with other approaches such as PSO, WOA, and SCA. The results of the comparison indicate that the proposed approach outperforms the mentioned methods in terms of execution time, energy consumption, cost, and convergence

6

ناصر موحدي نيا