An enhanced healthcare IoT task scheduling using hybrid Q-NEH and CS-GW optimization in fog computing environment

Résumé

Cette recherche aborde le défi crucial de l’ordonnancement des tâches dans les environnements Internet des Objets (IoT) dédiés aux soins de santé, en utilisant une architecture de fog computing. Nous proposons un nouvel algorithme hybride qui combine l’algorithme Nawaz-Enscore- Ham amélioré par Q-learning (Q-NEH) pour la priorisation des tâches avec une approche d’optimisation Cuckoo Search-Gray Wolf (CS-GW). Le déploiement croissant des dispositifs de surveillance médicale génère d’énormes quantités de données sensibles au temps, nécessitant des stratégies de traitement efficaces capables de gérer plusieurs objectifs concurrents, notamment la minimisation du temps total d’exécution, la maximisation de l’utilisation des ressources et l’assurance de l’efficacité énergétique. Notre solution hybride exploite les capacités d’apprentissage adaptatif de Q-NEH pour un ordonnancement intelligent des tâches, aux côtés des mécanismes équilibrés d’explorationexploitation de CS-GW pour l’optimisation. L’évaluation expérimentale menée avec différentes charges de travail (100-600 tâches) sur diverses configurations de noeuds fog (10-60 noeuds) démontre que l’algorithme proposé obtient des performances supérieures par rapport aux approches traditionnelles, notamment l’optimisation par essaims particulaires (PSO), l’algorithme génétique (GA) et l’optimisation par colonies de fourmis (AC). Les résultats montrent que notre implémentation CS-GW a significativement réduit le temps total d’exécution par rapport aux méthodes conventionnelles, tandis que l’intégration de Q-NEH a encore amélioré l’efficacité de l’ordonnancement pour tous les algorithmes testés. La combinaison réussie de l’apprentissage par renforcement avec des techniques d’optimisation inspirées de la nature fournit un cadre robuste pour répondre aux exigences complexes d’ordonnancement des systèmes modernes de surveillance médicale.

Date	17 déc. 2024
langue originale	Anglais américain
Établissement diplômant	École de technologie supérieure
Superviseur	Michel Kadoch (Directeur(-trice))