در سال‌های اخیر، با توسعه‌ی سریع اینترنت اشیا (IoT)، الگوی محاسبات مه (Fog Computing) به عنوان یک راه‌حل جذاب برای پردازش داده‌ها در برنامه‌های اینترنت اشیا مطرح شده است. در این محیط، برنامه‌های اینترنت اشیا توسط گره‌های محاسباتی میانی در لایه‌ی مه و همچنین کارگزارهای فیزیکی در مراکز داده‌ی ابری اجرا می‌شوند. از این‌رو، مسائل مربوط به مدیریت منابع و مدیریت انرژی به‌عنوان چالش‌هایی اساسی در محاسبات مه باید مورد توجه قرار گیرند. اخیراً پژوهش‌هایی در راستای ایجاد تعادل میان مصرف انرژی و هزینه در این نوع از معماری محاسباتی صورت گرفته است. در این پژوهش، ضمن مرور رویکردهای پیشین، یک روش کارآمد برای تقریب تابع توزیع بار با استفاده از دو الگوریتم یادگیری دسته‌بند به نام‌های XCSF و BCM-XCSF در گره‌های پردازشی مه پیشنهاد شده است، که هدف آن بهینه‌سازی عملکرد و ارتقاء مدیریت منابع در معماری مه می‌باشد. این دو روش در نحوه‌ی نگهداری حافظه‌ی دسته‌بندها تفاوت دارند. نتایج شبیه‌سازی نشان می‌دهد که هر دو روش، توزیع بار مناسبی را فراهم می‌کنند و سربار محاسباتی سیستم را کاهش می‌دهند. روش BCM-XCSF افزون بر کاهش حدود 40 درصدی تأخیر، مصرف انرژی را نیز به‌طور محسوسی بهبود می‌بخشد.
