摘要
物联网生态系统的快速发展要求借助先进的层次化架构来应对日益增长的计算需求。尽管已有研究付出了努力，但现有文献中仍忽视了包括移动层、边缘层、雾计算层和云层在内的完整四层架构的整合以及各项任务的优先级处理问题。本研究旨在通过提出一种新型的、具备上下文感知能力的任务卸载框架来填补这些空白，该框架适用于多服务器和多应用环境构成的多维生态系统。研究核心采用了一种针对性的仿生方法，将生物群体中的分布式觅食行为转化为具体的工程解决方案，这一方案专门用于计算任务卸载和资源管理。为此，研究人员开发了一种“学习引导的元启发式”混合模型，在该模型中，受生物启发的蚁群优化算法与基于上置信界原理的探索机制直接结合。传统仿生算法仅依赖天然的信息素传递机制，而这种混合模型则充分融入了更高阶的认知学习机制，从而能够自适应地了解系统动态特性，同时避免陷入局部最小值陷阱。通过为每项任务动态选择最优处理层，该模型实现了能耗与延迟的双重优化。此外，还通过基于动态惩罚机制的方式确保系统的运行可行性，该机制可有效处理电池容量和任务截止时间等约束条件。大量仿真实验表明，所提出的UCB-ACO模型相较于粒子群优化算法、灰狼优化算法、传统蚁群优化算法、人工蜂群优化算法以及非支配排序遗传算法II等现有先进元启发式算法更具优势，其带来的延迟降低幅度可达22.5%，能耗降低幅度则为23%。这项研究不仅梳理了现有相关文献，还为分布式计算领域的下一代资源管理提供了创新性的解决方案。
