محیط رایـانشی مـه-ابر بـه یک بستر ایده آل برای پردازش تعـداد روبـه رشد برنامه های نوظهور اینترنت اشـیا تبدیل شده است. منابع به عنوان مجموعه ای از ماشینهای مجازی در اختیار این برنامـه های کاربردی قرار می گیرند. از آنجایی که ماشین های مجازی از نظر قدرت پردازشی، هزینه پردازشی، تاخیرارتباطات و مصرف انرژی ناهمگن هستند، چگونگی استفاده موثر از آنها برای اجرای وظایف اینترنت اشیا با انواع الزامات مختلف یک چالش اساسی است. مسئله زمانبندی وظایف به این چالش می پردازد و بیانگرتخصیص منابع به وظایف و چگونگی ترتیب قرارگیری وظایف روی منـابع در دسترس اســـت. برای حل کارآمد این مسئلـه، در این پایان نامه دو روش مختلف ارائه می شـود. در روش اول، ابتدا مسئله به صورت برنامه ریزی خطی عدد صحیح مختلط با هدف رعایت مهلت مقرر هروظیفه و کمینه سازی انرژی مصرف شــده سیسـتم فرموله سازی می شود. سپس یک رویکرد مبتنی بر جستجوی تطبیقی تصادفی حریصـانه برای حل مدل پیشنهادی ارائه می شـود. این الگوریتم دارای ویژگی های جذاب و کارآمد از جمله سادگی و سهولت در پیاده سازی، پارامترهای قابل تنظیم کم وقابلیت اجرای موازی است. به عنوان روش دوم، ابتدا یک معماری مدیریت خودکار مجهز بـه حلقه کنترلی برای زمـانبندی وظایف در رایانش مـه-ابر سبز ارائه می گردد جایی که در آن فرض می شود منابع مه به انرژی تجدیدپذیر مجهز هستند. سپس یک مدل بهینه سازی با هدف کاهش هزینه کل سیستم شامل هزینه انرژی مصرفی گره های محاسباتی مه، هزینه پردازش در ابرو هزینه نقض مهلت وظایف ارائه می شود. درنهایت، با ترکیب الگوریتم ژنتیـک و روش یادگیری مبتنی برمخالف یک راه حل کارآمد برای حل مدل سیستم پیشنهادی می گردد. مزیت اصلی روش پیشنهادی دستیابی به تعادل خوب بین اکتشاف و استخراج است. به منظور تایید کارایی الگوریتم ها ی پیشنهادی، آزمایش های جامع و متنوعی صورت گرفته است. نتایج آزمایش های شبیه سازی برتری عملکرد الگوریتم ها ی پیشنهادی را نشان می دهد. به طور ویژه، رویکرد مبتنی برروش جستجوی تطبیقی تصـادفی حریصانه به نرخ رعایت مهلت بیش از 95 %می رسد در حالی که مقدار آن برای الگوریتم ها ی مورد مقایســه کمتراز53% اسـت. همچنین، روش دوم هزینه کل سیستم رایانشی را حدود %28 نسبت به الگوریتم ژنتیک ساده بهبود می بخشد.
