بهینه سازی زمانبندی وظایف در محیط ابر با استفاده از ویرایش فازی الگوریتم بهینه سازی اجتماع ذرات

سال انتشار: 1397
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 799

فایل این مقاله در 17 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_JEMSC-4-1_003

تاریخ نمایه سازی: 20 خرداد 1398

چکیده مقاله:

امروزه با توجه به استفاده­ی روزافزون از محیط ابر توسط شرکت­ها و سازمان­ها، زمان­بندی وظایف در این نوع محیط­ها از اهمیت ویژه­ای برخوردار است. الگوریتم­های متنوعی برای تخصیص وظایف به منابع در محیط ابر پیشنهاد شده است که اغلب آن­ها معیارهایی همچون توزیع بار متعادل، تخصیص بهینه­ی منابع و کاهش زمان اجرای وظایف را در نظر نمی­گیرند. در این کار با استفاده از الگوریتم فرااکتشافی ازدحام ذرات و منطق فازی، زمان اجرای وظایف کاهش و در نتیجه بهره­وری منابع افزایش می­یابد. به­طور کلی در یک سیستم توزیع­شده همچون محیط ابر، توزیع وظایف بر روی ماشین­های مجازی به صورت تصادفی انجام می­شود. در نتیجه، بار کل بر روی محیط ابر غیرمتعادل می­شود که این امر از بهره­وری منابع می­کاهد. دراین تحقیق، الگوریتم ازدحام ذرات1 و منطق فازی برای زمانبندی وظایف استفاده می­شود. علاوه بر این، استفاده از الگوریتم آنیلینگ شبیه­سازی شده2 برای بهبود شرایط اولیه داده­های تصادفی پیشنهاد می­شود. نتایج نشان می­دهد که روش بهینه­سازی پیشنهادی در این کار، معیارهای عملکرد الگوریتم زمانبند مانند زمان خاتمه کار3 را در مقایسه با الگوریتم­های فاقد بهینه سازی (مانند راندرابین4) و حتی در مقایسه با الگوریتم های بهینه سازی دیگر همچون الگوریتم ژنتیک5 به طور موثری بهبود می بخشد.

کلیدواژه ها:

نویسندگان

شبنم قرائیان

دانشگاه آزاد اسلامی،واحد گرمسار،دانشکده مهندسی کامپیوتر و فناوری اطلاعات، گروه کامپیوتر

خسرو امیری زاده

دانشگاه آزاد اسلامی،واحد گرمسار،دانشکده مهندسی کامپیوتر و فناوری اطلاعات، گروه کامپیوتر

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • T. Erl, R. Puttini, and Z. Mahmood, Cloud Computing: Concepts,Technology ...
  • S. K. Garg, S. Versteeg, and R. Buyya, A framework ...
  • G. Nan, Z. Mao, M. Li, Y. Zhang, S. Gjessing, ...
  • R. Yu, Y. Zhang, S. Gjessing, W. Xia, and K. ...
  • H. Liu, A. Abraham, and A. E. Hassanien, Scheduling jobs ...
  • Eberhart RC, Kennedy J. A new optimizer-using particle swarm theory. ...
  • E.Goldberg and J.H.Holland, Genetic algorithms and machine learning ,Mach Learn.,vol.3,no.2,pp.95-99,1988. ...
  • J. Liu, X. G. Luo, X. M. Zhang, and F. ...
  • S. Javanmardi, M. Shojafar, D. Amendola, N. Cordeschi, H. Liu, ...
  • S. M. Abdulhamid, M. S. A. Latiff, and I. Idris, ...
  • F. Ramezani, J. Lu, and F. K. Hussain, Task-based system ...
  • S. Parthasarathy and C. J. Venkateswaran, Scheduling jobs using oppositional-GSO ...
  • Z. Zhang and X. Zhang, A load balancing mechanism based ...
  • S. Sethi, A. Sahu, and S. K. Jena, Efficient load ...
  • Krishna PV. Honey bee behavior inspired load balancing of tasks ...
  • Calheiros RN, Ranjan R, Beloglazov A, De Rose CA, Buyya ...
  • نمایش کامل مراجع