بهینه سازی دوهدفه: مصرف انرژی و عملکرد هزینه با محدودیت ها در محاسبات مه

محاسبه مه، تکامل محاسبات ابری است که به ارائه راه حل هایی برای چالش های رایانش ابری مانند تاخیر، آگاهی از موقعیت مکانی و پشتیبانی از تحرک در زمان واقعی کمک می کند. هدف از بهینه سازی یافتن مقادیر متغیرهایی است که مقدار یک تابع داده شده را به حداکثر یا حداقل می رسانند. بسیاری از مسائل بهینه سازی توسط برنامه نویسی غیرخطی عدد صحیح مختلط (MINLP) مدل سازی می شود. ما مدلی را طراحی کردیم که یک مسئله بهینه سازی برنامه نویسی 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 بهینه سازی 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 بهینه سازی چندهدفه در پایتون است. سرانجام، از روش TOPSIS برای مقایسه الگوریتم ها با شاخص های مختلف (مقادیر زمان اجرا و توابع هدف) استفاده کردیم.