در سال‌های اخیر، اهمیت بکارگیری فناوری شبکه‌ی بی‌سیم دوچندان شده است. از تلفن‌های هوشمند و اینترنت اشیا گرفته، تا ارائه‌ی خدمات مختلف بر اساس ابرها و محاسبات لبه، از این فناوری بهره گرفته‌اند. با رشد روزافزون به کارگیری این فناوری، لازم است که در نسل‌های بعدی، مواردی چون قابلیت اطمینان بالا، تاخیر ناچیز، کیفیت تجربه (QOS) و امکان اتصال تعداد بیشتری از دستگاه‌ها به صورت همزمان، فراهم شوند.

به دلیل برطرف نشدن این نیازمندی‌ها در نسل چهارم فناوری شبکه‌ی بی‌سیم، شرایط ظهور نسل بعدی، یعنی نسل پنجم (5G) فراهم گردیده است و در حال توسعه می‌باشد.

این نسل با به کارگیری مفاهیم و فناوری‌هایی مانند برش شبکه، مجازی‌سازی عملکرد شبکه (NFV)، شبکه‌ی نرم‌افزار محور (SDN) و محاسبات لبه با دسترسی چندگانه (MEC) سعی در به حداقل رساندن محدودیت‌های ذکر شده دارد. در نتیجه، این فناوری سرویس‌گرا بوده و می‌توان هر خدمتی را به عنوان سرویس، در آن تعریف کرد و در اختیار کاربران قرار داد.

با توجه به ارائه سرویس‌ها به صورت ماکروسرویس و ایجاد زنجیره‌ای از VNFها به عنوان اجزای نرم‌افزاری شده عملکردهای شبکه، قراردهی این سرویس‌ها به یکی از چالش‌های اصلی در این نسل تبدیل شده است. همچنین در کنار قراردهی بهینه زنجیره سرویس‌ها از نظر منابع، باید مواردی همچون تأخیر ارائه سرویس‌ها، انرژی مصرفی و هزینه انرژی مصرفی آن‌ها نیز در نظر گرفته شود. چرا که در 5G ارائه سرویس‌ها با تأخیر و هزینه پایین مدنظر می‌باشد، تا هم کاربران ترغیب به استفاده از سرویس‌های شخصی‌سازی شده شوند و هم سود آوری بیشتری برای اپراتورهای ارائه دهنده خدمات فراهم شود.

پژوهش‌های پیشین نشان می‌دهد که بیشتر روش‌های ارائه شده، تمامی این موارد را در نظر نگرفته‌اند. به طور مثال، روش‌های قدیمی، استفاده از MEC را نادیده گرفته‌اند و در برخی دیگر از روش‌ها، تنها تأخیر ارائه سرویس و یا انرژی مصرفی در نظر گرفته شده است. همچنین در بیشتر پژوهش‌ها، روش پیشنهادی فقط بر اساس استفاده از ابزارهای بهینه‌سازی، همچون CPLEX و MiniZinc بوده و یا از روش‌های ابتکاری و فراابتکاری استفاده شده است. این دو دسته از روش‌ها، از نظر زمان پاسخگویی با چالش روبه‌رو هستند و همچنین تطابق‌پذیری آن‌ها با تغییر شرایط، بسیار پایین می‌باشد.

از این رو، ما در این پژوهش دو روش OGA و Hybrid-OGA را ارائه کرده‌ایم. پایه این دو روش، استفاده از روش‌های یادگیری تقویتی و مدل رمزگذار-رمزگشا می‌باشد. در روش OGA، ابتدا مسئله VNF-FGE را ‌به شکل یک مسئله برنامه‌ریزی خطی باینری با در نظر گرفتن همزمان تأخیر ارائه سرویس، انرژی مصرفی سرویس و هزینه انرژی مصرفی بر پایه انتخاب بین میزبان‌هایی با انرژی تجدیدپذیر و میزبان‌هایی با انرژی قهوه‌ای، فرموله‌بندی کردیم. در ادامه به دلیل برخط نبودن برخی روش‌های پیشین، ما این روش را در یک محیط برخط ارائه داده‌ایم. برخط بودن در اینجا به دو بخش تقسیم می‌شود. در روش‌های یادگیری به طور معمول ابتدا یک مدل آموزش می‌بیند و سپس از آن مدل استفاده می‌شود که این رویه‌ای بسیار زمان‌بر است. درنتیجه ما با استفاده از استراتژی ?-greedy، اقدام به ایجاد عامل هوشمندی بر پایه یادگیری تقویتی کرده‌ایم که در طی زمان بهبود یافته و زمان پاسخگویی را بهبود می‌بخشد و همچنین محیط در هر مرحله در حال به‌روزرسانی می‌باشد. در ادامه به دلیل حریصانه بودن این رویکرد و احتمال مسدود شدن نابجای برخی از سرویس‌ها، ما یک رویکرد فراابتکاری بر اساس الگوریتم ژنتیک را به رویکرد خود اضافه کرده‌ایم، تا بتوان با استفاده از خروجی همان مدل تعداد سرویس‌های مسدود شده را کاهش داد.

در نهایت، این روش پیشنهادی را با روش First Fit (FF) و نتایج ابزار CPLEX   مقایسه کردیم. خروجی‌های ارزیابی نشان می‌دهند که دو روش OGA و Hybrid-OGA می‌توانند به خوبی از نظر زمان پاسخگویی، نسبت پذیرش، تعداد سرویس‌های مسدود شده و کمینه کردن تابع هدف بهینه‌سازی با دو روش دیگر تقابل کنند.