با رشد روز افزون تعداد سرویسهای اینترنت اشیا، نیاز به پاسخگویی به الزامات این سرویسها، از جمله کاهش تأخیر، بهبود کیفیت سرویس و تخصیص بهینه منابع، بیش از پیش اهمیت یافته است. در این راستا، رایانش مه بهعنوان یک پارادایم نوظهور با فراهمسازی منابع محاسباتی در مجاورت کاربران، امکان کاهش تأخیر، افزایش بهرهوری شبکه و ارتقای کیفیت سرویسهای اینترنت اشیا را فراهم میسازد. با وجود این مزایا، محیط رایانش مه با چالشهایی همچون محدودیت منابع، ناهمگنی گرهها و نیازمندیهای متنوع سرویسها مواجه است. یکی از چالشهای اصلی در محیط رایانش مه، جایابی سرویسها است. جایابی بهینه سرویسها به منظور تخصیص آنها به گرههای محاسباتی مناسب، نقش حیاتی در بهبود عملکرد سیستم دارد. هدف اصلی این جایابی کاهش تأخیر کاربران، افزایش بهرهوری منابع و ارتقای کیفیت کلی شبکه است. با این حال، پیچیدگی این مسئله ناشی از تعداد زیاد کاربران، سرویسها، گرههای محاسباتی ناهمگن و شرایط پویا و متغیر شبکه، حل دقیق آن را با روشهای کلاسیک دشوار میکند و یک مسئله بهینهسازی پیچیده محسوب میشود. در این پژوهش، بهمنظور بهینهسازی میانگین تأخیر ارتباطی، مسئله جایابی سرویس در محیط مه بهصورت یک مدل برنامهریزی خطی عدد صحیح مدلسازی شده است. برای حل این مدل، دو نسخه الگوریتم فراابتکاری ترکیبی طراحی گردید که نقاط قوت الگوریتم ژنتیک و شبیهسازی تبرید را در قالب یک چارچوب مشترک ادغام میکنند. این رویکرد ترکیبی ضمن حفظ کیفیت سرویس، از همگرایی مناسبی نسبت به الگوریتمهای منفرد برخوردار است. تفاوت اصلی میان دو نسخه پیشنهادی در شیوه اعمال شبیهسازی تبرید است: در نسخه نخست این الگوریتم تنها بر انتهای کروموزومها اعمال میشود، در حالیکه در نسخه دوم در سطح جمعیت هر نسل بهکار گرفته میگردد. نتایج آزمایشهای شبیهسازی نشان میدهد که نسخه دوم الگوریتم پیشنهادی، بهطور متوسط حدود ۲۳ درصد کاهش تأخیر بیشتری نسبت به نسخه اول فراهم میآورد. همچنین در مقایسه با رویکردهای پایه از جمله Random، GA و SA الگوریتم ترکیبی پیشنهادی، هم از نظر کاهش میانگین تأخیر و هم از نظر همگرایی نتایج، برتری قابلتوجهی دارد. یافتههای این پژوهش نشان میدهد که رویکرد ارائهشده میتواند بهعنوان یک روش کارآمد برای بهینهسازی جایابی سرویس و مدیریت منابع محاسباتی در رایانش مه مورد استفاده قرار گیرد.
