雾计算与边缘计算中群体智能技术的应用与优化：系统综述与未来展望

为解决物联网(IoT)设备资源受限和实时处理需求问题，研究人员系统综述了2019-2023年间91项群体智能(SI)技术在雾/边缘计算中的应用研究。通过比较PSO、ACO、ABC等20种SI算法在任务调度、资源分配等场景的表现，发现PSO(24%)和ACO(16%)最常用，混合算法可提升23%性能。该研究为分布式系统优化提供了重要方法论指导。

　　

随着物联网(IoT)设备的爆炸式增长，智能传感器、无人机和可穿戴设备在智慧城市、医疗保健等领域产生海量数据。这些设备往往资源有限，传统云计算模式因高延迟和带宽拥堵已无法满足实时决策需求。雾计算和边缘计算应运而生，将计算推向数据源头，但随之而来的资源管理挑战日益凸显——如何在动态、分布式的环境中实现高效的任务调度、资源分配和负载均衡？

这正是Reyhane Ghafari和Najme Mansouri在《ARTIFICIAL INTELLIGENCE REVIEW》上发表系统综述的核心议题。研究人员发现，传统的确定性优化方法难以应对雾/边缘环境的复杂性，而受自然界启发的群体智能(SI)技术展现出独特优势。通过模拟鸟群、蚁群等生物群体的集体行为，SI算法如粒子群优化(PSO)和蚁群优化(ACO)能够实现去中心化、自适应的资源管理，特别适合解决这类NP难问题。

研究团队采用系统文献综述(SLR)方法，严格筛选2019-2023年间91项关键研究。通过分析IEEE Xplore、ScienceDirect等数据库，构建了包含PSO、ACO、ABC等20种SI算法的技术分类体系。研究发现这些算法主要应用于三大方向：任务调度(35%)、资源管理(45%)和其他优化问题(20%)。在资源管理领域，卸载(34%)和放置(29%)成为最受关注的应用场景。

关键技术方法包括：(1)基于Kitchenham指南的系统文献综述框架，涵盖10个研究问题；(2)对20种SI算法的性能指标(收敛速度、可扩展性等)进行定量比较；(3)建立包含平台类型、优化目标等维度的分类体系；(4)采用91项研究的实证数据分析SI在延迟、能耗等指标上的优化效果。

研究结果揭示：

任务调度方面：混合SCPSO-SCCSO算法将响应时间降低37%，而DNCPSO在云边环境中使工作流持续时间缩短28%。值得注意的是，MFO算法通过加权指标使任务执行时间减少42%，证明参数调优的重要性。

资源分配方面：混合GA-PSO算法在能耗和完成时间上分别优化19%和23%。ACO在5G边缘节点选择中降低通信成本31%，验证了SI在离散优化中的优势。

负载均衡领域：改进的SSO-DOL算法使CPU利用率提升35%，而模糊GEO方法将任务失败率降低27%。这些案例表明，结合领域知识的SI改进策略效果显著。

特别值得关注的是算法改进技术。约35%的研究通过修改搜索策略避免局部最优，24%采用混合算法(如PSO-GA)。Xia和Shen的研究表明，混合算法比原始ACO和GA的收敛速度快40%，计算复杂度降低28%。这些发现为算法选择提供了重要参考。

讨论部分指出，SI技术的成功应用关键在于：(1)与问题特性的匹配度——PSO适合快速收敛需求，ACO擅长组合优化；(2)参数设置的敏感性，如惯性权重对PSO性能的影响达±15%；(3)混合策略的协同效应，典型如ABC-WOA组合解决早熟收敛问题。研究同时揭示了当前局限：仅21%的算法进行了实质性改进，且缺乏与深度学习等新兴技术的融合探索。

该综述的重要意义在于：首次建立了SI在雾/边缘计算中的系统分类框架，为不同场景下的算法选择提供指导；通过91项研究的实证分析，证实SI可使任务延迟降低30-45%，能耗减少20-35%；提出的未来研究方向(如SI-DRL融合)为领域发展指明路径。这些成果对构建高效、可靠的下一代分布式计算系统具有重要参考价值。