مرکز منطقه ای اطلاع رسانی علوم و فناوری فصلنامه فناوری اطلاعات و ارتباطات ایران 2717-0411 68 68 2026 4 19 A Novel Hybrid Quantum-Classical Optimization Approach for Next-Generation Internet of Things Networks ارائه روش بهینه‌سازی ترکیبیاتی نوین با رویکرد کوانتومی در شبکه‌های اینترنت اشیاء نسل آینده fa شهرزاد صداقت شریف مهدی آزادی مطلق خوارزمی امیرحسین جهانگیر دانشگاه شریف 2025 10 18 <p>The exponential growth of the Internet of Things (IoT) has introduced significant computational challenges, particularly in optimizing dynamic task allocation within hybrid edge, fog, and cloud networks. The combinatorial nature of this problem often leads to a combinatorial explosion when traditional algorithms are applied to large-scale scenarios, rendering them inefficient in finding optimal or near-optimal solutions. This research proposes a novel quantum-classical hybrid combinatorial optimization framework to address this multi-objective problem, considering conflicting criteria such as latency, energy consumption, and Quality of Service (QoS). The proposed model transforms the task allocation problem into a Quadratic Unconstrained Binary Optimization (QUBO) formulation and leverages the Quantum Approximate Optimization Algorithm (QAOA) for its solution. Numerical simulation results, obtained using the open-source Qiskit simulator, demonstrate that the proposed approach significantly outperforms prior methods based on quantum machine learning and traditional architectures. Comparative analysis reveals that the proposed approach consistently maintains the best solution quality with the gentlest degradation slope as the problem scales. Furthermore, the computational time of this method exhibits a much slower, near-linear growth, in contrast to the exponential growth experienced by traditional algorithms. These findings clearly establish the strategic superiority of quantum optimization for solving complex and large-scale optimization problems in next-generation IoT networks.</p> <p>اینترنت اشیاء (IoT) با رشد تصاعدی خود، چالش&zwnj;های محاسباتی عظیمی را در زمینه بهینه&zwnj;سازی تخصیص وظایف پویا در شبکه&zwnj;های ترکیبی لبه، مه و ابری به وجود آورده است. ماهیت ترکیبیاتی این مسئله باعث می&zwnj;شود که الگوریتم&zwnj;های سنتی در مقیاس&zwnj;های بزرگ با پدیده انفجار ترکیبیاتی (Combinatorial Explosion) مواجه شوند و در یافتن راه&zwnj;حل بهینه یا حتی نزدیک به بهینه، ناکارآمد باشند. در این پژوهش، یک چارچوب بهینه&zwnj;سازی ترکیبی کوانتومی-سنتی برای حل این مسئله چندهدفه با در نظر گرفتن معیارهای متضاد مانند تأخیر، مصرف انرژی و کیفیت خدمات QoS)) ارائه شده است. مدل پیشنهادی در این مقاله، مسئله تخصیص وظایف را به فرمول&zwnj;بندی بهینه&zwnj;سازی دودویی نامقید درجه دوم (QUBO) تبدیل می&zwnj;کند و از الگوریتم بهینه&zwnj;سازی تقریبی کوانتومی QAOA)) برای حل آن بهره می&zwnj;برد. نتایج شبیه&zwnj;سازی عددی، که با استفاده از شبیه&zwnj;ساز متن&zwnj;باز Qiskit انجام شده است، نشان می&zwnj;دهد که رویکرد پیشنهادی در مقایسه با روش&zwnj;های پیشین مبتنی بر یادگیری ماشین کوانتومی و معماری&zwnj;های سنتی، عملکردی به مراتب بهتر ارائه می&zwnj;دهد. تحلیل مقایسه&zwnj;ای نشان می&zwnj;دهد که رویکرد پیشنهادی به طور مداوم بهترین کیفیت راه&zwnj;حل را با ملایم&zwnj;ترین شیب کاهش، با افزایش مقیاس مسئله، حفظ می&zwnj;کند. همچنین، زمان محاسباتی این روش دارای رشدی بسیار آهسته&zwnj;تر و نزدیک به خطی است، در حالی که الگوریتم&zwnj;های سنتی با رشد نمایی مواجه هستند. این نتایج به وضوح برتری راهبردی بهینه&zwnj;سازی کوانتومی را برای حل مسائل بهینه&zwnj;سازی پیچیده و بزرگ&zwnj;مقیاس در شبکه&zwnj;های نسل آینده IoT اثبات می&zwnj;کند.</p> http://jour.aicti.ir/ar/Article/Download/51852