رایانش مه-ابر به یک بستر امیدوار کننده برای اجرای وظایف اینترنت اشیا با نیازهای مختلف تبدیل شده است. اگرچه محیط مه به دلیل مجاورت با دستگاه های اینترنت اشیا، تأخیر کم را ایجاد می کند اما از محدودیت منابع رنج می برد. این وضعیت معکوس محیط ابر است؛ به این معنی که مراکز ابری تقریبا محدودیتی از نظر منابع ندارند اما به دلیل فاصله زیاد با دستگاه های اینترنت اشیا تاخیر زیادی را ایجاد می-کنند؛ بنابراین، استفاده کارآمد از منابع ابر و مه برای اجرای وظایف بارگیری شده از دستگاه ها یک مسئله اساسی است. به منظور کنار آمدن با این مسئله و بهینه کردن توابع چند هدفه، چهار روش شامل سه الگوریتم ابتکاری و یک روش ترکیبی مبتنی بر الگوریتم ژنتیک در محیط رایانشی مه-ابر ارائه کرده ایم. اهدافی که در این تحقیق برای مسئله زمانبندی فرمول سازی شده اند عبارتند از: هزینه های نقض مهلت، محاسبات، ارتباطات و مصرف انرژی. نیازهای مختلف وظایف و ماهیت ناهمگن گره های مه و ابر در این پژوهش در نظر گرفته شده است. کیفیت سرویس که در این پژوهش به عنوان هزینه نقض مهلت مورد بررسی قرار می گیرد مهمترین معیار و هدف تحقیق انجام شده است. در واقع سعی داریم کیفیت سرویس را در کنار معیارهای افزایش کارایی سیستم در توابع هدف مختلف مورد ارزیابی قرار دهیم. یک گره مدیریتی در لایه مه مسئولیت دریافت وظایف از دستگاه ها، نظارت بر منابع مه و ابر و اجرای الگوریتم زمانبندی را برعهده دارد. الگوریتم اول یک روش بی درنگ مبتنی بر روش تصادفی بوده که از حق انتخاب گره برای هر وظیفه برخوردار است. در روش دوم تصمیم گیری برای تخصیص منابع به وظایف براساس مجموع هزینه های محاسبات، ارتباطات و نقض مهلت برای هر وظیفه انجام می شود. روش سوم نیز یک روش ابتکاری مبتنی بر هزینه نقض مهلت می باشد که وظایف را به صورت دسته ای دریافت کرده و زمانبندی را انجام می دهد. در روش چهارم ترکیبی از استراتژی های اولویت بندی، طبقه بندی و الگوریتم ژنتیک می باشد که هدف اصلی آن رعایت مهلت وظایف و مصرف بهینه انرژی است. در نهایت الگوریتم ها در محیط رایانشی مه-ابر از جنبه ها و معیارهای گوناگونی با روش های ابتکاری و فراابتکاری مورد ارزیابی و مقایسه قرار می گیرند.
