融合改进人工蜂群算法与Q学习的云-雾计算绿色工业物联网多目标任务调度

《Scientific Reports》：Energy-aware hybrid artificial bee colony and reinforcement learning for multi-objective task scheduling in green cloud–fog industrial IoT systems

　　

摘要

由于云-雾计算环境中对能效、延迟降低和服务质量（QoS）保障存在相互冲突的需求，高效的任务调度仍然是工业物联网（IIoT）系统面临的关键挑战。本文提出了一种能量感知的改进人工蜂群（EA-IABC）算法，并结合基于Q学习的强化学习（RL）模块，用于绿色IIoT基础设施中的多目标任务调度。该方法通过自适应侦察行为、惯性权重Lévy飞行搜索以及约束感知优化，增强了标准人工蜂群（ABC）算法的探索与开发能力，同时RL组件实现了动态的、状态依赖的资源选择。调度问题被建模为一个双目标优化模型，在QoS和资源约束下最小化执行总完工时间和总能耗。吞吐量与碳足迹作为派生评估指标，用于衡量性能效率和环境影响。基于增强版iFogSim环境，使用合成工作负载以及包括NASA iPSC和HPC2N在内的基于实际轨迹的基准工作负载进行了大量仿真实验。实验结果表明，EA-IABC在能效和执行延迟方面均显著优于基线元启发式方法和学习类方法，同时在吞吐量这一派生性能指标上也有所提升。统计分析证实了所提方法在不同异构及大规模工作负载场景下的鲁棒性和可扩展性。结果表明，将群体智能与强化学习相结合，为下一代云-雾IIoT系统中可持续且自适应的批处理调度提供了一个有效的研究方向。