زمان اجرای وظایف مختلف در اینترنت اشیاء همواره به عنوان یک مسئله مهم و تعیینکننده مطرح است. از این رو تأخیر اجرای وظایف در این ساختار از اهمیت بالایی برخوردار هستند. در همین راستا، رایانش مه به عنوان یک روش مناسب برای نزدیکتر کردن مراکز پردازش داده به لبه و کاهش تأخیر معرفی گردید. ازجمله کاربردهای رایانش مه میتوان به رایانش مه خودرویی اشاره کرد که با هدف کمکرسانی به محدودیتهای اجرایی خودروهای متصل به این ساختار و عدم آگاهی کامل محیطی خودروها مورد استفاده قرار میگیرد. همچنین با گسترش شبکههای ارتباطی و معرفی فناوری 5G به عنوان یک روش ارتباطی مناسب، بخشی از چالشهای مرتبط با تأخیر ارتباطی رفع گردیدهاست. با این حال، پیادهسازی گسترده رایانش مه خودرویی همچنان با چالشهای مختلفی مواجه است. از جمله این چالشها میتوان به افزایش فاصله خودروها از محل اجرای وظایف برونسپاریشده و مواجهشدن با پدیده مهاجرت وظایف اشاره کرد. در این پژوهش، یک روش برونسپاری وظایف مبتنی بر یادگیری تقویتی چندعاملی عمیق پیشنهاد شده است که با در نظر گرفتن خصوصیات ویژه هر وظیفه، به مدیریت بهینه مهاجرت وظایف و کاهش تأخیر در محیط پویا و متحرک خودرویی میپردازد. نوآوری اصلی روش پیشنهادی، طراحی مدل ارتباطی جدید برای مدیریت پدیده مهاجرت و ارائه یک معماری غیرمتمرکز است که امکان یادگیری مستقل و موازی عاملها را فراهم میکند. نتایج شبیهسازی انجام شده نشان میدهد که روش پیشنهادی نسبت به روشهای جدید تا 12 درصد کاهش تأخیر را به دنبال دارد.
علوم رایانش و فناوری اطلاعات