اینترنت اشیا کاربردهای متنوعی در حوزه پزشکی، صنعت، حمل ونقل دارد و در حوزه اینترنت اشیاء، هر یک از دستگاه های اینترنت اشیا دارای توان محاسباتی و ذخیره سازی و شبکه ای محدودی هستند. رایانش ابری زیرساختی مناسب را برای انتقال محاسبات برنامه های اینترنت اشیا به سرورهای ابری که دارای توان پردازشی و ذخیره سازی بالایی هستند را فراهم می کند. استفاده از رایانش ابری در اینترنت اشیا با داشتن مزایای زیاد دارای محدودیت هایی نظیر مصرف بالای پهنای باند، تأخیر زیاد، عدم زمان بندی مناسب وظایف نیز می باشد محاسبات مه، الگویی محاسباتی است که برای مقابله با چالش های اینترنت اشیا و ابر معرفی شده است به این ترتیب که این معماری خدمات رایانش ابری را تا لبه شبکه گسترش می دهد و پردازش برنامه های اینترنت اشیا در لبه شبکه انجام می شود. در واقع محاسبات مه شامل سرورهایی است که در لبه شبکه قرار گرفته و به این ترتیب پردازش با تأخیر کمتر و هزینه کمتر در لبه شبکه انجام می شود با درنظرگرفتن معیارهایی مانند انرژی مصرفی و ظرفیت کم سرورهای مه تخصیص منابع و تصمیم گیری اختصاص وظایف به گره های مه چالش اساسی در زمینه های کیفیت خدمات سطح سرویس مانند تأخیر و مصرف انرژی ایجاد می کند بنابراین اتخاذ تصمیمی برای ارائه مدل ریاضی جامع و همچنین ارائه الگوریتم تخصیص وظایف بهینه حائز اهمیت می باشد. در این پایان نامه مدل ریاضی با درنظرگرفتن معیارهای کیفیت خدمات سطح سرویس و محدودیت های گره های مه و اینترنت اشیا ارائه می شود و در گام بعد به ارائه الگوریتم ترکیبی ژنتیک و گرگ خاکستری پرداخته می شود که الگوریتم مذکور یک الگوریتم بهبودیافته ترکیبی برای حل مسئله تخصیص منابع می باشد. در الگوریتم ژنتیک فضای جواب به طور همه جانبه جستجو می شود، بنابراین امکان کمتری برای همگرایی به یک نقطه بهینه محلی وجود خواهد داشت و الگوریتم گرگ خاکستری نیز از نیمه دوم تکرارها به دلیل کم رنگ شدن نقش اکتشاف، ممکن است در بهینه محلی گرفتار شود. ترکیب این دو الگوریتم باعث ارائه جواب های متنوع می شود لازم به ذکر است که اجرای الگوریتم های مذکور دارای هزینه پردازشی و تاخیر محاسباتی می باشد ولی باتوجه به بهبود معیار های کیفیت سطح سرویس می توان از این هزینه چشم پوشی کرد و در نهایت به کمک شبیه سازی، عملکرد پژوهش انجام شده، ارزیابی و با دیگر روش ها مقایسه خو
