.png){kind=icon}
返回
Optimized Task Scheduling in Fog-Cloud Computing Using Hybrid Deep Learning and Metaheuristic Algorithms
.png){kind=icon}
OA
AI
DOI：10.1007/s11063-025-11819-w.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
雾计算已作为一种有效范式出现，旨在通过使数据处理更接近数据源来解决云计算中固有的延迟问题，尤其适用于医疗物联网、智能交通和工业自动化等应用。然而，由于雾环境具有动态异构特性，其中的任务调度仍具挑战性。本文提出了一种针对雾-云环境的集成任务调度方案，旨在降低能耗、最小化任务完成时间（makespan），同时维持高质量服务（QoS）。所提模型包含三个核心组件：工作负载预测、任务卸载和调度优化。首先，采用前馈神经网络（FNN）进行工作负载预测，以实现前瞻性资源分配。其次，强化学习（RL）模型根据实时性能指标动态管理任务卸载决策，判定任务应在本地雾节点处理还是卸载至云端。最后，结合猎鹰优化算法（HHO）和遗传算法（GA）的混合优化算法通过高效映射任务至可用资源来细化任务调度。仿真结果表明，所提方法在能效方面取得显著提升，缩短了任务完成时间，并优化了QoS指标，相较于基线调度算法表现更优。本工作的创新点在于协同融合了预测深度学习、基于自适应RL的任务卸载（采用多目标奖励函数）以及一种混合HHO-GA优化器（具备可定制的四目标适应度函数），共同应对现有混合方法未能解决的动态工作负载波动和多目标权衡问题。
Keyword:
Fog computing
Task scheduling
Deep learning
Harris Hawk optimization
Genetic algorithm
Reinforcement learning
Quality of service
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
