کشینگ نقش اساسی و کلیدی درکاهش تأخیر و افزایش عملکرد کلی سیستم‌های محاسبات مه‌آلود را ایفا می‌کند. رایانش لبه‌ای و مه‌آلود به عنوان چالش اساسی در پاسخ پردازش های حساس به تأخیر و پهنای باند در سیستم های ناوبری هوشمند تبدیل شده شبکه‌های مبتنی بر اطلاعات (ICN) و محاسبات مه‌آلود (ICN-Fog) یک راه‌حلی بهینه در برنامه‌هایی با تأخیر پایین و توان عملیاتی بالا پدیدار شده است و جهشی درکاهش تأخیر و دستیابی به ارتباطات داده‌ای بهتر و طبقه بندی اطلاعات مؤثر برای محاسبات مه‌آلوددر سیستم های ناوبری هوایی برداشته است .بهره‌گیری از روش‌های هوش مصنوعی (AI)و بهینه‌سازی کرم شب‌تاب به عنوان الگوریتم بهینه‌سازی مؤثر در ارتقای تکنیک کشینگ معرفی و بررسی شده است. در این مطالعه، هدف اصلی بهبود شاخصهای عملکردی از جمله نسبت برخورد کش (cache hit ratio)، بار پیوند داخلی (internal link load) و میانگین مدت زمان پاسخگویی سیستم به منظور بهینه سازی، یک الگوریتم بهینه طراحی شده است. این تکنیک به مدل کشینگ ICN-Fog اعمال و برای تعیین محل قرارگیری کش و انطباق با توپولوژی شبکه بررسی و مدلسازی شده است.متوسط ارزیابی‌های تابعی انجام شده توسط الگوریتم کرم شب تاب چند هدفه برابر با 3572 و انحراف معیار برابر با 725 است. نرخ موفقیت الگوریتم شب تاب در همگرایی به نقطه بهینه برابر با 99 درصد است. نتایج نشان می‌دهند که الگوریتم چندهدفه کرم شب‌تاب (MOFA) در مقایسه با الگوریتم‌های دیگر از نظر کارایی و اثربخشی در شناسایی تکنیک کشینگ بهینه عملکرد بهترو ضریب اطمینان بالاتری در سیستم های ناوبری هوایی هوشمند را تامین خواهد کرد.