La optimización adaptable que preserva la eficiencia bajo la dinámica del sistema que varía en el tiempo requiere una gestión moderna de tareas en el desarrollo innovador de ciudades y en sistemas de computación en la nube distribuida. Las técnicas de optimización conservadoras como los algoritmos genéticos, la optimización por enjambre de partículas, y la optimización clásica de mariposa monarca (MBO) sufren de convergencia prematura, pobre rendimiento multi-objetivo, y adaptabilidad limitada a entornos cambiantes. Además, las infraestructuras virtualizadas contextualizan las restricciones operativas que perjudican su capacidad para apoyar homogéneamente la heterogeneidad en tipos de tareas y demandas de calidad de servicio. Presentamos un marco de programación híbrido llamado optimización de mariposa monarca mejorada con estrategias múltiples (MF-MBO) que combina dominancia difusa para un ranking multi-objetivo fuerte, un túnel autos-adaptativo inspirado en cuántico (estrategia de aceptación clásica) para escapar de la estancación, y migración codiciosa acotada para un refinamiento local estable y balanceo de carga. Para acelerar la convergencia mientras se mantiene la justicia en las tareas a través de máquinas virtuales distribuidas, MF-MBO equilibra dinámicamente la exploración y la explotación. En la evaluación experimental bajo diferentes condiciones de carga, MF-MBO claramente supera a los algoritmos de referencia, proporcionando mejoras del 17.4% en el tiempo de ejecución de tareas, 22.8% en la eficiencia del balanceo de carga, y 15.6% en el consumo de energía. Los resultados se informan con respecto al MBO estándar, mientras que también los comparamos con GA y PSO bajo el mismo presupuesto de evaluación y condiciones de carga. Los resultados muestran una eficiencia operativa y escalabilidad aumentadas, junto con una mayor robustez en entornos variables. La idea detrás del marco MF-MBO introducido permite una adaptación práctica para servicios de infraestructura de ciudades inteligentes, computación en la nube distribuida y aplicaciones basadas en IoT, a través de un pipeline de optimización reproducible y explicable. La última parte de este estudio informa resultados empíricos y establece algunos puntos de referencia para apoyar extensiones futuras, como la evaluación de ángulos más amplios y la validación consciente del hardware.
Reddy et al. (Sat,) estudiaron esta cuestión.