اینترنت اشیاء داده بسیاری را تولید می کند و پردازش حجم زیادی از این اطلاعات در مراکز داده ابری صورت می گیرد. انتقال داده ها به ابر، منجر به ایجاد تاخیر بسیاری در سرویس های اینترنت اشیاء می شود. بنابراین، به جهت افزایش سرعت در ارائه سرویس ها، باید منابع تا جای ممکن نزدیک به کاربران قرار داده شوند. در این مقاله، یک چارچوب محاسبات مفهومی مبتنی بر میان افزار کنترل ابر-مه به‌منظورمکان یابی بهینه سرویس های اینترنت اشیاء پیشنهاد می شود. در روش پیشنهادی با در نظر گرفتن ناهمگن بودن برنامه ها و منابع، یک مدل برنامه‌ریزی خودمختار برای مدیریت درخواست های سرویس با توجه به برخی محدودیت ها به روش تحلیلی ارائه می شود. برای حل مسئله مکان یابی سرویس های اینترنت اشیاء، یک رویکرد تکاملی خودمختار مبتنی بر رویکردهای یادگیری تقویتی با هدف استفاده حداکثر از منابع مه و بهبود کیفیت سرویس پیشنهاد می شود. لذا از الگوریتم رویکرد یادگیری تقویتی جدید با هدف حداکثرسازی پاداش تجمعی بلندمدت استفاده شده است. مطالعات تجربی بر روی یک محیط مصنوعی شبیه سازی شده بر اساس فاکتورهای ارزیابی مختلف شامل استفاده از مه، هزینه سرویس، زمان پاسخ و تاخیر سرویس انجام شده است. به طور میانگین، نتایج روش پیشنهادی نسبت به روش های FSP-ODMA، SPP-GWO، CSA-FSPP و GA-FSP به ترتیب 4.6%، 2.4%، 3.4% و 1.1% برتری را نشان می دهد. پرونده مقاله

This paper explains fault tolerance techniques for Quantum-dot cellular automata which offer remarkable robustness to implement QCA arithmetic circuits. It begins with a study of QCA based design. A classification for fault types is presented and some fault tolerance techniques are examined and their relevance for QCA circuits is evaluated. Finally, it is concluded that a combination of two or more hardware redundancy techniques is needed for tolerating faults in QCA circuits and systems. The proper functionality of the presented design is checked by computer simulations using the QCADesigner tool. Simulation results confirm our claims and their usefulness in designing robust digital circuits. پرونده مقاله