In the current scenario, Cloud computing is providing services to IoT-sensor based applications in task offloading. In time-sensitive real-time applications, latency is a major problem in cloud computing. Due to exponential growth in IoT-sensor applications huge amount of multimedia data is produced and only the use of cloud computing decreases the efficiency of quality of service (QoS) in IoT-sensor applications. Fog computing uses to resolve the aforementioned issues in cloud computing. Fog computing accomplishes the low-latency requirement of QoS in time-sensitive real-time IoT-sensor applications. Thus the tasks of IoT-sensor applications are computed by various fog nodes. In this paper, a meta-heuristic scheduler Smart Ant Colony Optimization (SACO) task offloading algorithm inspired by nature is proposed to offload the IoT-sensor applications tasks in a fog environment. The proposed algorithm results are compared with Round Robin (RR), throttled scheduler algorithm and two bio-inspired algorithms such as modified particle swarm optimization (MPSO) and Bee life algorithm (BLA). Numerical result shows the significant improvement in latency by the proposed Smart Ant Colony Optimization (SACO) algorithm in task offloading of IoT-sensor applications comparison to Round Robin (RR), throttled, and MPSO and BLA. Proposed technique reduces the task offloading time by 12.88, 6.98, 5.91 and 3.53% in comparison to Round Robin (RR), throttled, MPSO, and BLA.

在当前场景中，云计算正在为基于物联网传感器的应用程序提供任务卸载服务。在时间敏感的实时应用程序中，延迟是云计算中的一个主要问题。由于物联网传感器应用的指数增长，产生了大量多媒体数据，只有使用云计算才能降低物联网传感器应用的服务质量 (QoS) 效率。雾计算用于解决云计算中的上述问题。雾计算在时间敏感的实时物联网传感器应用中实现了 QoS 的低延迟要求。因此，物联网传感器应用程序的任务由各种雾节点计算。在本文中，提出了一种受大自然启发的元启发式调度程序智能蚁群优化 (SACO) 任务卸载算法，以卸载雾环境中的物联网传感器应用程序任务。将所提出的算法结果与循环（RR）、节流调度算法和两种仿生算法（如改进的粒子群优化（MPSO）和蜜蜂生命算法（BLA））进行了比较。数值结果表明，与循环 (RR)、节流、MPSO 和 BLA 相比，所提出的智能蚁群优化 (SACO) 算法在物联网传感器应用程序的任务卸载中显着改善了延迟。与循环 (RR)、节流、MPSO 和 BLA 相比，所提出的技术将任务卸载时间减少了 12.88、6.98、5.91 和 3.53%。将所提出的算法结果与循环（RR）、节流调度算法和两种仿生算法（如改进的粒子群优化（MPSO）和蜜蜂生命算法（BLA））进行了比较。数值结果表明，与循环 (RR)、节流、MPSO 和 BLA 相比，所提出的智能蚁群优化 (SACO) 算法在物联网传感器应用程序的任务卸载中显着改善了延迟。与循环 (RR)、节流、MPSO 和 BLA 相比，所提出的技术将任务卸载时间减少了 12.88、6.98、5.91 和 3.53%。将所提出的算法结果与循环（RR）、节流调度算法和两种仿生算法（如改进的粒子群优化（MPSO）和蜜蜂生命算法（BLA））进行了比较。数值结果表明，与循环 (RR)、节流、MPSO 和 BLA 相比，所提出的智能蚁群优化 (SACO) 算法在物联网传感器应用程序的任务卸载中显着改善了延迟。与循环 (RR)、节流、MPSO 和 BLA 相比，所提出的技术将任务卸载时间减少了 12.88、6.98、5.91 和 3.53%。数值结果表明，与循环 (RR)、节流、MPSO 和 BLA 相比，所提出的智能蚁群优化 (SACO) 算法在物联网传感器应用程序的任务卸载中显着改善了延迟。与循环 (RR)、节流、MPSO 和 BLA 相比，所提出的技术将任务卸载时间减少了 12.88、6.98、5.91 和 3.53%。数值结果表明，与循环 (RR)、节流、MPSO 和 BLA 相比，所提出的智能蚁群优化 (SACO) 算法在物联网传感器应用程序的任务卸载中显着改善了延迟。与循环 (RR)、节流、MPSO 和 BLA 相比，所提出的技术将任务卸载时间减少了 12.88、6.98、5.91 和 3.53%。