رضا ابراهیم پوریان - گروه مهندسی کامپیوتر دانشگاه آزاد اسلامی واحد اراک. اراک. ایران
مهدی فرتاش - گروه مهندسی کامپیوتر دانشگاه آزاد اسلامی واحد اراک. اراک. ایران
جواد اکبری ترکستانی - گروه مهندسی کامپیوتر دانشگاه آزاد اسلامی واحد اراک. اراک. ایران

در این مقاله یک مدل هوشمند مصنوعی برای زمان­بندی وظایف (Task scheduling) به صورت آگاه از انرژی (Energy-aware) بر پایه اتوماتای یادگیر (Learning automata) در کاربردهای رایانش مه (Fog Computing) ارائه شده است. رایانش مه یک لایه محاسباتی توزیع شده است که به عنوان یک لایه میانی بین ابر و اینترنت اشیا به منظور ارتقاء کیفیت خدمات عمل می­کند.  یکی ازمهمترین فاکتورها در مصرف انرژی مربوط به زمان­بندی وظایف است. در این مقاله موضوع زمان­بندی وظایف در محیط مه به منظور کاهش مصرف انرژی، زمان اتمام کار(Makespan) و هزینه با استفاده از اتوماتای یادگیر بررسی شده است. سپس برای اولین بار یک شبکه عصبی به عنوان مدل هوش مصنوعی بر اساس اتوماتای یادگیر برنامه­ریزی وظایف در محیط مه ارائه شده است. مدل شبکه عصبی ارائه شده توانایی پیش­بینی ارتباط بین پارامترهای زمان اتمام کار، انرژی و هزینه را بر اساس تعداد ماشین­های مجازی دارد. نتایج مدل هوش مصنوعی ارائه شده نشان می دهد که تمام پارامترهای مذکور با کمتر از یک درصد پیش بینی شده­اند. همچنین در مدل ارایه شده خطای آموزش و آزمون برای پارامتر زمان اتمام کار به ترتیب ۰.۰۲ و ۰.۰۴ بدست آمد، برای پارامتر انرژی به ترتیب ۰.۱۶ و ۰.۸۴ بدست آمد و برای پارامتر هزینه به ترتیب ۰.۰۲ و ۰.۱۹ بدست آمد.

هوش مصنوعی, هزینه, انرژی, شبکه عصبی, زمان اتمام کار, اتوماتای یادگیر