15511

بررسي روش هاي تركيبي بارسپاري وظايف: تركيب روش هاي يادگيري ماشين و منطق فازي

1403

دكتر رضا انتظاري ملكي

با گسترش سامانه هاي هوشمند و افزايش استفاده كاربران از اين سيستم ها، نياز به پردازش و پالايش داده‌ها در محيط هاي توزيع شده به طور قابل توجهي افزايش يافته است. اين عمليات ها بهطور ذاتي فاقد همگني بوده و هر دستگاه با محدوديتهاي محاسباتي خاص خود مواجه است. پژوهشگران به‌دنبال روش‌هاي كارآمدتر براي واگذاري بار محاسباتي به منابع با قابليت بالاتر هستند تا بهرهوري سيستم‌ها را افزايش دهند. يادگيري ماشين يكي از روشهاي موثر در بارسپاري وظايف است كه به سيستم‌ها اين امكان را ميدهد تا به‌طور خودكار به شرايط متغير مانند نوسان شبكه، وضعيت باتري و بار پردازشي واكنش نشان دهند. اين روش‌ها قادرند با تحليل همزمان چندين عامل پيچيده، تصميمات بهينه اتخاذ كرده و وضعيت منابع را پيشبيني كنند تا وظايف به دستگاه‌هاي با توان بيشتر منتقل شوند. همچنين، يادگيري ماشين با بهبود مداوم از طريق داده‌هاي جديد، كارايي سيستم را افزايش ميدهد. اما اين روشها با چالش‌هايي مانند وابستگي به داده‌هاي با كيفيت بالا و مشكل "شروع سرد" مواجه هستند كه منجر به تأخير در دستيابي به عملكرد مطلوب ميشود. علاوه بر اين، ماهيت غيرقابل تفسير مدل‌ها، به‌ويژه در شبكه‌هاي عصبي عميق، تحليل منطق تصميم‌گيري را دشوار ميسازد. همچنين، نياز به منابع پردازشي زياد در مراحل آموزش و استنتاج ميتواند استفاده از اين روش‌ها را در دستگاه‌هاي با محدوديت‌هاي انرژي و توان پردازشي با مشكلات جدي روبه‌رو كند. در مقابل، منطق فازي با استفاده از سيستم‌هاي استنتاج فازي، امكان تصميم‌گيري هوشمند در شرايط عدم قطعيت، نوسان يا ابهام را فراهم ميآورد. در اين رويكرد، داده‌ها به توابع عضويت تبديل شده و براساس قواعد زباني ارزيابي ميشوند. اين روش انعطاف‌پذير بوده و به‌دليل قابليت تفسير، اعتمادپذيري تصميمات را افزايش ميدهد. به همين دليل، منطق فازي در سامانه‌هاي محاسبات لبه و مه به‌عنوان يك رويكرد كم‌هزينه و سازگار با محيط‌هاي ناهمگن استفاده مي‌شود. تركيب منطق فازي با يادگيري ماشين، چارچوبي ايجاد ميكند كه از مزاياي هر دو رويكرد بهره‌برداري ميكند و از كاستي‌هاي هر كدام مي‌كاهد. در اين تركيب، زيرسيستم فازي مسئول مدلسازي متغيرهاي كليدي است و از طريق توابع عضويت و قواعد زباني، عدم قطعيت و داده‌هاي ناقص را مديريت ميكند. در حالي كه يادگيري ماشين با استفاده از داده‌هاي تاريخي و لحظه‌اي، قادر است الگوهاي غيرخطي و پيچيده را شبيه‌سازي كرده و مدل را به‌طور خودكار به‌روزرساني نمايد. اين هم‌افزايي، سيستم را قادر ميسازد تا هم در كوتاه‌مدت به حوادث واكنش نشان دهد و هم در بلندمدت منابع را بهينه‌سازي كند. در اين سمينار، به بررسي روشهاي منطق فازي ، يادگيري ماشين و روش هاي محبوب ديگر و همچنين تركيب اين دو براي بارسپاري وظايف پرداخته خواهد شد تا با استفاده از داده‌هاي آزمايشي و آماري، خلاهاي موجود در ادبيات تحقيقاتي شناسايي گردد.

11/5/2025 12:00:00 AM

88791

1404/08/19

بارسپاري وظايف، منطق فازي، يادگيري ماشين، محاسبات لبه، محاسبات مه، اينترنت اشياء، بهينه‌سازي منابع، سيستم‌هاي توزيع‌شده، تعادل بار، مهاجرت وظايف

Task offloading, fuzzy logic, machine learning, edge computing, fog computing, Internet of Things, resource optimization, distributed systems, load balancing, task migration