fa محاسبات مه و کاربردهای آن در هوش مصنوعی توزیع‌شده تخصصي Special پژوهشي Research <span style="font-size:11pt"><span style="text-justify:inter-ideograph"><span style="direction:rtl"><span style="unicode-bidi:embed"><span style="line-height:115%"><span style="font-family:Calibri,sans-serif"><span lang="AR-SA" style="font-size:9.0pt"><span style="line-height:115%"><span b="" nazanin="" style="font-family:">سامانه‌های سلامت دیجیتال، محاسبات مه را به‌عنوان راهکاری کلیدی در محیط‌های توزیع‌شده مطرح کرده است. این مقاله با تمرکز بر الگوریتم‌های یادگیری تقویتی (</span></span></span><span dir="LTR" style="font-size:9.0pt"><span style="line-height:115%">RL</span></span><span lang="AR-SA" style="font-size:9.0pt"><span style="line-height:115%"><span b="" nazanin="" style="font-family:">) و بهینه‌سازی چندهدفه، رویکردهای نوین تخصیص منابع و زمان‌بندی وظایف در معماری‌های مه‌محور را بررسی می‌کند. عملکرد الگوریتم‌هایی نظیر </span></span></span><span dir="LTR" style="font-size:9.0pt"><span style="line-height:115%">Q-Learning</span></span><span lang="AR-SA" style="font-size:9.0pt"><span style="line-height:115%"><span b="" nazanin="" style="font-family:">، </span></span></span><span dir="LTR" style="font-size:9.0pt"><span style="line-height:115%">DDPG</span></span><span lang="AR-SA" style="font-size:9.0pt"><span style="line-height:115%"><span b="" nazanin="" style="font-family:">، و </span></span></span><span dir="LTR" style="font-size:9.0pt"><span style="line-height:115%">PPO</span></span><span lang="AR-SA" style="font-size:9.0pt"><span style="line-height:115%"><span b="" nazanin="" style="font-family:"> در کاهش تأخیر و مصرف انرژی تحلیل شده و ترکیب آن‌ها با روش‌های تکاملی (مانند </span></span></span><span dir="LTR" style="font-size:9.0pt"><span style="line-height:115%">NSGA-II</span></span><span lang="AR-SA" style="font-size:9.0pt"><span style="line-height:115%"><span b="" nazanin="" style="font-family:">) به‌عنوان راهکاری مؤثر برای حل چالش‌های متضاد منابع معرفی می‌گردد. همچنین، مسائل کلیدی مقیاس‌پذیری، پایداری در محیط‌های ناپایدار، حفظ حریم خصوصی، و تبیین‌پذیری مدل‌ها مورد بحث قرار گرفته است. چشم‌اندازهای آینده شامل توسعه چارچوب‌های یادگیری فدرال، یادگیری خودتنظیم (</span></span></span><span dir="LTR" style="font-size:9.0pt"><span style="line-height:115%">Meta-RL</span></span><span lang="AR-SA" style="font-size:9.0pt"><span style="line-height:115%"><span b="" nazanin="" style="font-family:">)، و یکپارچه‌سازی با منابع انرژی تجدیدپذیر به‌عنوان گام‌هایی اساسی برای طراحی سامانه‌های هوشمند و پایدار پیشنهاد شده‌اند. این مطالعه چارچوبی برای طراحی راهکارهای بهینه و اعتمادپذیر در معماری‌های توزیع‌شده آینده فراهم می‌کند.</span></span></span><span dir="LTR" style="font-size:20.0pt"><span style="line-height:115%"></span></span></span></span></span></span></span></span><br> &nbsp; <span style="font-size:7pt"><span style="text-justify:inter-ideograph"><span style="unicode-bidi:embed"><span style="font-family:Cambria,serif"><span style="font-size:12.0pt">Digital health systems have introduced fog computing as a key solution in distributed environments. This paper, focusing on reinforcement learning (RL) algorithms and multi-objective optimization, reviews novel approaches to resource allocation and task scheduling in fog-based architectures. The performance of algorithms such as Q-Learning, DDPG, and PPO in reducing latency and energy consumption is analyzed, and their combination with evolutionary methods (such as NSGA-II) is introduced as an effective solution to solve resource conflict challenges. Also, key issues of scalability, stability in unstable environments, privacy preservation, and explainability of models are discussed. Future perspectives including the development of federated learning frameworks, self-regulating learning (Meta-RL), and integration with renewable energy sources are proposed as essential steps for designing smart and sustainable systems. This study provides a framework for designing optimal and reliable solutions in future distributed architectures.</span><span dir="RTL" lang="FA" style="font-size:12.0pt"><span style="font-family:"B Nazanin""></span></span></span></span></span></span><br> &nbsp; محاسبات مه, هوش مصنوعی توزیع‌شده, تخصیص منابع, یادگیری تقویتی, بهینه‌سازی چندمعیاره Fog computing, distributed artificial intelligence, resource allocation, reinforcement learning, multi-criteria optimization 1 8 http://jiis.iauh.ac.ir/browse.php?a_code=A-10-44-2&slc_lang=fa&sid=1 Alireza Dashtifamil علیرضا دشتی فامیلی dashti871@gmail.com 1003194753284600233 1003194753284600233 Yes گروه مهندسی کامپیوتر، واحد همدان ، دانشگاه آزاد اسلامی ، همدان ، ایران Ali Ezzati علی عزتی ali.ezzati8482@iau.ir 1003194753284600234 1003194753284600234 No گروه مهندسی کامپیوتر، واحد همدان ، دانشگاه آزاد اسلامی ، همدان ، ایران