混合遗传算法（GA）与分布式查询语言（DQL）的方法，用于在雾计算框架中高效地实现物联网（IoT）应用的任务映射

《Scientific Reports》：Hybrid GA-DQL approach for efficient task mapping of IoT applications in fog computing framework

　　

摘要

雾计算作为一种有前景的技术范式，能够将云服务更紧密地应用于物联网（IoT）设备，从而提高响应速度并减少网络拥堵。然而，在雾计算中实现高效的负载均衡对于最大化性能、降低成本、确保能源效率以及维持高质量的服务至关重要，这最终能够满足对延迟敏感且资源密集型IoT应用的需求。在云计算、雾计算和边缘计算等计算环境中，任务映射的主要目标是以高效且有效的方式将任务分配到可用资源上，尤其是在资源分布较为分散且更接近终端设备的雾计算环境中。本文提出了一种结合遗传算法（GA）和深度Q学习（DQL）的混合方法，用于雾计算环境中的任务映射。该方法旨在在保持高资源利用率的同时，最小化任务完成时间和计算成本。遗传算法通过探索广泛的解决方案空间来执行初始任务分配，从而促进向最优调度模式的收敛；而深度Q学习则通过持续学习来自环境的反馈来实现实时决策，以适应动态变化的环境。通过结合遗传算法的探索能力和深度Q学习的自适应特性，所提出的方法能够有效管理任务分配和资源利用。实验结果表明，这种混合方法优于传统方法，显著降低了任务完成时间和运营成本。