雾和边缘新的替代现在使用的可伸缩的和巨大的计算。然而,可以有各种性能问题引起的增加基础设施在特定的位置。在这种分布式环境,不同的供应商一起提供服务的地方,信任和可靠性是至关重要的问题,信任被定义为系统的过去的表现。此外,各级故障的基础设施发生随机点云环境中的降解性能和可靠性。因此,迫切需要新的研究领域值得信赖的、容错和可靠的计算算法来提高雾和边缘的性能计算等应用的智能城市。

优化算法也正在改变通过引入机器学习(ML)和深度学习。这些发展未来的一代故障预测算法可以解决问题,信任模型和恶意对象的定位。ML /人工智能(AI)算法和混合算法被认为是下一代解决计算密集型问题和故障预测。然而,现有模型在边缘和雾计算受断层和分布式资源之间的信任问题,恶意对象可以降低系统的可靠性。为了克服这些缺点,新车型是必需的。幸运的是,人工智能和机器学习技术整合与现有的模型可以提供一个有前途的方式向下一代算法与预测方法,以及人工智能的集成和ML故障预测将导致改进和可靠的模型。

这个特殊的问题旨在突出创新方法的优化在云领域,物联网,使用人工智能和雾计算,metaheuristic优化方法,或者表面算法。这个特殊的问题是寻找任何优化编程相关的数学模型在分布式环境中,系统的性能和软件模型将负责智能决策考虑到他们过去的表现和更好的预测模型。

潜在的主题包括但不限于以下:

• 故障预测模型使用AI /毫升
• 优化评估的信任
• 信任和断层意识到机器学习模型
• 在云计算和边缘计算可靠性预测
• 大数据系统的容错性和可靠性
• 容错资源优化模型
• 容错算法对能源效率
• 信任意识到资源优化
• 机器学习和自然启发的边缘计算优化模型