基于LAKO-IAHP混合优化算法的物联网资源分配与负载预测研究

针对物联网(IoT)环境中动态负载与资源分配效率低下的问题，研究人员提出新型混合优化算法LAKO-IAHP，结合改进层次分析法(IAHP)与Lyrebird-Kookaburra优化算法(LAKO)，通过集成IKMC聚类与欧氏距离计算提升负载预测精度，并优化QoS参数（如资源利用率、可靠性）。实验证明该方法显著提升系统性能，为复杂IoT场景提供高效解决方案。

　　

随着物联网(IoT)技术的快速发展，设备数量和数据量呈指数级增长，但传统资源管理方法难以应对动态负载的多样性，导致系统效率低下、成本攀升。IoT设备受限于计算能力与能耗，亟需智能化的负载预测与资源分配策略。为此，研究人员提出创新性解决方案——Lyrebird-Adapted Kookaburra Optimization Algorithm-Improved Analytic Hierarchy Process (LAKO-IAHP)，旨在通过两阶段优化提升IoT系统性能。

该研究由Senthil Murugan V.、K Kalaiselvi和B Sasikala团队完成，发表于《Sustainable Computing: Informatics and Systems》。研究团队采用Python 3.7平台，基于Intel? i5-1135G7处理器进行仿真，测试数据涵盖4-100个网关和10-800个资源的规模。关键技术包括：改进层次分析法(IAHP)整合改进k均值聚类(IKMC)和欧氏距离计算以优化负载预测；混合优化算法LAKO结合Kookaburra Optimization Algorithm (KOA)与Lyrebird Optimization Algorithm (LOA)，针对服务质量(QoS)参数（如失衡度、执行时间）动态分配资源。

Abstract
研究提出LAKO-IAHP框架，通过IAHP阶段分析服务器负载、响应时间等负载均衡(LB)参数，显著提升传统AHP的预测准确性；LAKO阶段则通过多目标优化实现资源的高效分配，实验显示其优于现有方法。

Introduction
IoT数据的高吞吐量与异构性导致传统资源管理失效。研究团队指出，现有技术缺乏对AHP矩阵计算不一致性的处理，且资源分配忽视QoS动态需求。

Literature review
综述强调2023年K. Raghavendar等学者关于分布式系统资源调度的研究，为本研究提供理论基础。

Problem definition
明确传统方法的局限性：AHP未充分应用于负载预测，且资源分配未考虑成本感知与实时性需求。

Outline of LAKO-IAHP
框架分为IAHP负载预测（集成IKMC与欧氏距离）和LAKO资源分配（优化QoS参数），形成闭环优化系统。

Simulation procedure
实验采用梯度规模数据验证，硬件配置为16GB RAM的Intel i5平台，确保结果可复现性。

Performance analysis
结果显示LAKO-IAHP在资源利用率上提升23%，失衡度降低18%，且可靠性达99.2%，显著优于基准算法。

Conclusion
LAKO-IAHP通过融合聚类分析与生物启发优化，解决了IoT环境下的负载波动与资源碎片化问题，为智能边缘计算提供新范式。

该研究的核心意义在于：首次将改进AHP与混合生物优化算法结合，通过数学建模与仿真验证，为高动态IoT场景提供了兼顾效率与可靠性的通用框架，其方法论可扩展至医疗IoT、工业4.0等领域。