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

Sadeghi Chevinli, Zeinab (2024). An enhanced healthcare IoT task scheduling using hybrid Q-NEH and CS-GW optimization in fog computing environment. Mémoire de maîtrise électronique, Montréal, École de technologie supérieure.

Prévisualisation

PDF Télécharger (1MB) | Prévisualisation

Résumé

This research addresses the critical challenge of task scheduling in healthcare Internet of Things (IoT) environments using fog computing architecture. We propose a novel hybrid algorithm that combines Q-learning enhanced Nawaz-Enscore-Ham (Q-NEH) for task prioritization with a Cuckoo Search-Gray Wolf (CS-GW) optimization approach. The increasing deployment of healthcare monitoring devices generates massive amounts of time-sensitive data, necessitating efficient processing strategies that can handle multiple competing objectives including minimizing makespan, maximizing resource utilization, and ensuring energy efficiency.

Our hybrid solution leverages Q-NEH’s adaptive learning capabilities for intelligent task ordering alongside CS-GW’s balanced exploration-exploitation mechanisms for optimization. Experimental evaluation conducted with varying workloads (100-600 tasks) across different fog node configurations (10-60 nodes) demonstrates that the proposed algorithm achieves superior performance compared to traditional approaches including Particle Swarm Optimization (PSO), Genetic Algorithm (GA), and Ant Colony (AC) optimization. The results show that our CS-GW implementation significantly reduced makespan compared to conventional methods, while the integration of Q-NEH further enhanced scheduling efficiency across all tested algorithms. The successful combination of reinforcement learning with nature-inspired optimization techniques provides a robust framework for addressing the complex scheduling demands of modern healthcare monitoring systems.

Titre traduit

Un ordonnancement amélioré des tâches IoT en santé utilisant une optimisation hybride Q-NEH et CS-GW dans un environnement de fog computing

Résumé traduit

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.

Type de document:	Mémoire ou thèse (Mémoire de maîtrise électronique)
Renseignements supplémentaires:	"Thesis presented to École de technologie supérieure in partial fulfillment of a master’s degree with thesis in telecommunication network engineering". Comprend des références bibliographiques (pages 47-55).
Mots-clés libres:	ordonnancement des tâches, fog computing, temps total d’exécution
Directeur de mémoire/thèse:	Directeur de mémoire/thèse Kadoch, Michel
Programme:	Maîtrise en ingénierie > Génie
Date de dépôt:	23 avr. 2025 13:14
Dernière modification:	23 avr. 2025 13:14
URI:	https://espace.etsmtl.ca/id/eprint/3580

Gestion Actions (Identification requise)

Dernière vérification avant le dépôt