اخیرا، محاسبات مه به یک پلتفرم مناسب برای پردازش برنامه های کاربردی اینترنت اشیا تبدیل شده است. به‌این‌ترتیب که این معماری، خدمات رایانش ابری را تا لبه شبکه گسترش می‌دهد و پردازش ها با تأخیر و هزینه کمتر در لبه شبکه انجام می‌شوند. با توجه به محدودیت انرژی و ظرفیت کم سرورهای مه، تصمیم‌گیری اختصاص وظایف به گره‌های مه یکی از چالش های اساسی در زمینه تامین کیفیت خدمات سطح سرویس مانند تأخیر و مصرف انرژی می باشد. در این مقاله یک مدل ریاضی برای تخصیص منابع با هدف کاهش تاخیر و انرژی در حالی که معیار های کیفیت خدمات سطح سرویس در نظر گرفته شده است، ارائه می شود و در گام بعد به ارائه الگوریتم ترکیبی ژنتیک و گرگ خاکستری جهت حل مدل ریاضی پرداخته می شود. ترکیب این دو الگوریتم باعث ارائه جواب‌های متنوع و در نهایت بهینه می‌شود. 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 می‌توان از این هزینه چشم پوشی کرد. نتایج حاصل شده حاکی از آن است که ترکیب و استفاده هم‌زمان از نقاط مثبت دو الگوریتم، معیار های زمان اجرا و زمان اتمام آخرین کار و همچنین مصرف انرژی را به ترتیب به میزان % 18.30 و % 15.14 و % 10.21 درصد به نسبت روش نیمه حریصانه بهبود می دهد.
