Мульти-задачный планировщик с квантовой мотивацией для масштабируемой оркестровки задач в туманно-основанных кибер-физико-социальных системах

Более умные вычисления на периферии сети

От умных часов и подключённых автомобилей до городских сетей датчиков — наша повседневная жизнь всё больше зависит от миллионов крошечных устройств, которые должны реагировать в реальном времени. В этой статье рассматривается, как координировать всю эту цифровую активность быстрее, дешевле и с меньшим энергопотреблением, переосмыслив способ планирования задач в «тумане» — на небольших серверах между нашими гаджетами и удалёнными облачными дата-центрами.

Почему одного облака недостаточно

Современные кибер-физико-социальные системы объединяют физические датчики, компьютерные сети и поведение людей. Примеры включают интеллектуальную транспортную систему, удалённый мониторинг здоровья и промышленную автоматизацию. В таких условиях данные часто нужно обрабатывать за миллисекунды; опора только на отдалённые облачные серверы может вызывать задержки, перегрузки и сбои в обслуживании. Fog computing решает эту проблему, размещая вычислительные узлы ближе к пользователям — на придорожных устройствах, базовых станциях и локальных шлюзах. Однако решение о том, какой туманный узел должен обрабатывать конкретную задачу, далёко от тривиального. Каждое решение влияет на время ожидания пользователей, затраты провайдеров (включая штрафы) и общее потребление электроэнергии системой.

Задача балансировки времени, денег и энергии

Планирование задач в туманных средах — это то, что информатики называют NP-трудной задачей: по мере роста числа устройств и заданий число возможных назначений экспоненциально увеличивается. Существующие планировщики на основе роя, обучения с подкреплением или классических эволюционных алгоритмов умеют учитывать две цели, например время и стоимость, но часто испытывают трудности, когда добавляется третий фактор — энергоэффективность — или когда тысячи задач поступают от сильно мобильных, социально ориентированных пользователей. Эти методы могут сходиться медленно, застревать в локальных оптимумах или генерировать ограниченный набор компромиссных вариантов, что затрудняет запуск крупных реалистичных развёртываний.

Заимствуя идеи из квантовой физики — без квантового компьютера

Авторы предлагают FOG-QIEA, новую архитектуру планирования, «вдохновлённую квантами», но полностью работающую на обычных процессорах. Вместо реальных кубитов алгоритм кодирует каждое возможное соответствие задача→узел в виде вероятностного вектора, имитирующего квантовую суперпозицию: многие варианты представлены одновременно. Специализированные правила обновления, сопоставляемые с операциями вращения и запутанности, координированно корректируют эти вероятности, помогая поиску сначала широко исследовать пространство решений, а затем сужаться к перспективным областям. Стратегия окрестностей дополнительно уточняет группы взаимосвязанных решений, чтобы итоговый набор расписаний предлагал сбалансированные компромиссы по трём целям: суммарному времени выполнения, общей денежной стоимости (включая штрафы за пропущенные сроки) и общему потреблению энергии на туманных узлах.

Тестирование нового планировщика

Для оценки FOG-QIEA авторы моделируют реалистичные сценарии в стиле умного города с помощью инструмента iFogSim, симулируя от сотен до тысяч задач Интернета вещей, проходящих через трёхслойную архитектуру — конечные устройства, туманные узлы и облачные серверы. Они сравнивают свой подход с известными эволюционными алгоритмами вроде NSGA-II, современными планировщиками на основе роя и обучения, а также с другими квантово-вдохновлёнными методами. По множеству прогонов и размеров задач FOG-QIEA сходится к качественным решениям на 20–35% быстрее, сокращает потребление энергии примерно на 15–25% и уменьшает общую стоимость и нарушения уровней обслуживания по сравнению с конкурентами. Он также поддерживает более богатый «фронт Парето» — более разнообразный набор лучших компромиссных вариантов, позволяющий операторам системы выбирать расписания с акцентом на скорость, экономию или устойчивость по мере необходимости.

Что это означает для будущих связанных обществ

Для неспециалистов ключевая мысль в том, что заимствование концепций из квантовой механики может позволить классическим компьютерам сегодня умнее управлять сложными сетями. FOG-QIEA демонстрирует, что представление множества вариантов планирования одновременно и их координированное вероятностное обновление позволяют туманным системам обслуживать больше пользователей более надёжно и с меньшим энергопотреблением. Это делает крупномасштабные сервисы для умных городов, здравоохранения и транспорта более практичными и экологичными уже сегодня и закладывает основу для будущих гибридных систем, которые однажды могут сочетать такие алгоритмы с реальным квантовым оборудованием.

Цитирование: Hammouda, N.G., Shalaby, M., Alfilh, R.H.C. et al. A quantum-driven multi-objective scheduler for scalable task orchestration in fog-based cyber-physical-social systems. Sci Rep 16, 6874 (2026). https://doi.org/10.1038/s41598-025-33627-x

Ключевые слова: fog computing, расписание задач, квантово-вдохновлённые алгоритмы, умные города, энергоэффективные вычисления