1
دانشجوی دکتری- دانشکده مهندسی کامپیوتر و فناوری اطالعات ـ دانشگاه قم ـ قم ـ ایران
2
استادیار- دانشکده مهندسی کامپیوتر و فناوری اطالعات ـ دانشگاه قم ـ قم ـ ایران
چکیده
محاسبه مه، تکامل محاسبات ابری است که به ارائه راهحلهایی برای چالشهای رایانش ابری مانند تأخیر، آگاهی از موقعیت مکانی و پشتیبانی از تحرک در زمان واقعی کمک میکند. هدف از بهینهسازی یافتن مقادیر متغیرهایی است که مقدار یک تابع داده شده را به حداکثر یا حداقل میرسانند. بسیاری از مسائل بهینهسازی توسط برنامهنویسی غیرخطی عدد صحیح مختلط (MINLP) مدلسازی میشود. ما مدلی را طراحی کردیم که یک مسئله بهینهسازی برنامهنویسی غیرخطی عدد صحیح مختلط در محاسبات مه است. مدل ما دو هدف دارد: افزایش عملکرد هزینه و همچنین کاهش مصرف انرژی. سپس مسئله خود را با GEKKO که یک مجموعه بهینهسازی با پایتون است، حل کردیم. در مرحله بعدی، با استفاده از NSGA-II، R-NSGA-II، NSGA-III، R-NSGA-III و U-NSGA-III مدل را با Pymoo حل نمودیم. Pymoo یک چارچوب بهینهسازی چندهدفه در پایتون است. سرانجام، از روش TOPSIS برای مقایسه الگوریتمها با شاخصهای مختلف (مقادیر زمان اجرا و توابع هدف) استفاده کردیم.
