در سال های اخیر اینترنت اشیاء بطور چشمگیری مورد توجه قرار گرفته است و طبق پیش بینی سیسکو تا سال 2025 تعداد دستگاه های متصل به اینترنت از 75 میلیارد دستگاه بالاتر می رود که این دستگاه های IoT در لحظه حجم زیادی از داده را تولید می کنند. برای پیشگیری از تنگناها و پردازش و ذخیره سازی این حجم عظیم از داده، رایانش ابری پیشنهاد شد که بازهم با مشکل تاخیر و امنیت اطلاعات روبرو بودیم. سپس برای حل برخی از این مشکلات پارادایم مه پیشنهاد شد که تا امروز تحقیقات بسیاری روی این روش صورت گرفته است اما هنوز با چالشهایی مواجه است. مساله جایابی سرویس یک مساله NP-Hard است. بنابراین بررسی بهترین استراتژی مکان یابی برای چنین زیر ساخت های بزرگی که شامل تعداد زیادی از دستگاه های IoT و گره-های مه هستند، و پشتیبانی از تعداد زیادی سرویس IoT ممکن است منجر به یک انفجار ترکیباتی شود (برحسب زمان پردازش و فضای حافظه). یک راه برای حل این مساله استفاده از شیوه های اکتشافی مبتنی بر روش های تقسیم و غلبه و روشهای فرااکتشافی مبتنی بر هوش جمعی می باشد. ما در این پایان نامه روشی ارائه می نماییم که منجر به کاهش تاخیر و هزینه برای تخصیص و استفاده از منابع می شود. برای این کار، در ابتدا شبکه گره های مه را با توجه به مقدار مرکزیت بینابینی یال ها، به زیرگراف های مختلفی تقسیم می کنیم و همزمان و به صورت موازی عملیات جایابی سرویس را انجام می دهیم. برای جایابی، گره هایی در داخل هر زیرگراف که دارای بیشترین مرکزیت نزدیکی هستند را بعنوان کنترل کننده انتخاب می کنیم. محاسبه تاخیر براساس کوتاهترین مسیر بین گره کنترل کننده و گره مورد نظر که جایابی در آن انجام شده صورت می گیرد. از سه الگوریتم اکتشافی که عبارتند از "ارتقا یافته اولین برازش"، " ارتقا یافته بهترین برازش" و " ارتقا یافته بدترین برازش" برای این کار استفاده می-کنیم. سپس جهت ارزیابی روش پیشنهادی، جایابی بر اساس اجرای الگوریتمهای مذکور را روی یک گراف مصنوعی و یک گراف واقعی اجرا نموده نتایج حاصل شامل تاخیر شبکه و درصد اتلاف منابع در سه استراتژی مذکور را مقایسه نمودیم. در نهایت روش های مذکور با سه نوع الگوریتم ژنتیک با معیارهای برازندگی متفاوت مدیریت تاخیر و منابع مقایسه شده است.
