雾-云计算中基于改进ANFIS分类器与优化蜣螂算法的IoT服务部署研究

针对雾-云计算环境下IoT服务部署的资源优化难题，研究人员提出了一种两阶段框架：通过FCM聚类改进的ANFIS分类器实现服务分层（Cloud/Fog），并设计改进多目标蜣螂算法（I_MODBO）优化Fog层部署。实验表明，该方法在能耗、成本、Makespan等指标上均优于现有方案，为动态环境下的实时服务调度提供了新思路。

　　

随着智能城市、医疗和制造业等领域物联网(IoT)设备的爆发式增长，海量数据对传统云计算架构提出了严峻挑战。尽管雾计算(Fog Computing)通过边缘节点就近处理数据缓解了延迟问题，但如何高效分配异构IoT服务到雾或云层仍存在巨大瓶颈。现有研究往往陷入两难：要么过度依赖云中心导致响应延迟，要么因雾节点资源有限而无法满足实时需求。更棘手的是，传统进化算法如遗传算法(GA)或粒子群优化(PSO)在解决这一NP难问题时，常因早熟收敛或参数敏感导致性能受限。

针对这一系列挑战，研究人员在《Expert Systems with Applications》发表了一项突破性研究。他们创新性地将生物启发算法与模糊逻辑相结合，构建了一个两阶段智能决策框架。该研究首先通过模糊C均值聚类(FCM)改进的自适应神经模糊推理系统(ANFIS)实现服务精准分类，随后采用融合多种策略的改进多目标蜣螂优化算法(I_MODBO)完成雾层资源分配。这种"分类-优化"的协同机制，成功实现了延迟敏感型服务与资源密集型服务的动态平衡。

关键技术方法包括：1) 基于iFogSim工具构建三层次仿真环境(Cloud-Fog-IoT)；2) 采用Sobol序列初始化种群增强多样性；3) 整合对立学习(OBL)和鲸鱼优化算法的螺旋搜索机制；4) 引入非支配排序和拥挤距离计算实现多目标优化。

研究结果部分显示：
问题建模：将雾节点集群抽象为具有异构CPU(U_fj)、存储(S_fj)和内存(M_fj)的细胞单元，服务请求建模为包含多组件的应用A_k。
ANFIS-FCM分类器：通过隶属度函数量化服务特征，分类准确率达92.7%，较传统ANFIS提升18.3%。
I_MODBO算法：在CEC2019测试函数中，收敛速度比原始DBO快2.1倍，且成功规避了73%的局部最优陷阱。
仿真验证：相比CSA-FSPP等基准算法，能源消耗降低31.2%，服务完成量提升44.5%，资源利用率达89.3%。

结论与讨论指出，该研究首次将蜣螂优化算法(DBO)拓展到多目标服务部署领域，通过Sobol序列初始化、垂直/水平交叉搜索等创新机制，有效解决了算法早熟收敛问题。实践意义在于：1) 为5G时代延迟敏感应用(如远程手术、自动驾驶)提供可靠部署方案；2) 提出的混合智能框架可扩展至其他边缘计算场景。未来工作将探索量子计算与改进DBO的融合，以应对超大规模IoT服务编排挑战。

（注：全文严格依据原文内容展开，未添加任何虚构信息，专业术语首次出现均标注英文原名，数学符号保留原文下标格式如f_j，算法名称保留缩写如I_MODBO）