Abstract:
پژوهش حاضر با هدف؛ بررسی کاربرد الگوریتمهای فاخته-ژنتیک جهت بهینهسازی زمانبندی جریان کار در محیط ابر تدوین
شده است. یکی از امیدبخشترین رویکردها جهت حل اینگونه مسائلء استفاده از الگوریتمهای فراابتکاری است. در این
پژوهش, یک روش ترکیبی از دو الگوریتم فاخته و ژنتیک جهت زمانبندی جریان کار در محیط ابر پیشنهاد شده است. در
الگوریتم ترکیبی پیشنهادی,» از هر دو الگوریتم فاخته و ژنتیک جهت تولید جمعیت جدید استفاده میگردد. این دو جمعیت
جدید تولید شده توسط این دو الگوریتم با هم آدغام شده و یک جمعیت واحد برای تکرار بعدی الگوریتم ایجاد میشود. به این
ترتیب. الگوریتم پیشنهادی از نقاط قوت هر دو الگوریتم بهره گرفته و سریعتر موفق به کشف جوابهای بهینه میشود.
الگوریتم پیشنهادی پیادهسازی گردید و کارایی آن با الگوریتمهای پایه ژنتیک و فاخته مورد ارزیابی و مقایسه قرار گرفت. نتایج
آزمایشها نشان داد روش پیشنهادی سریعتر موفق به کشف زمانبندیهای بهینه میگردد.
Machine summary:
در این پژوهش، یک روش ترکیبی از دو الگوریتم فاخته و ژنتیک جهت زمانبندی جریان کار در محیط ابر پیشنهاد شده است.
Workflow Scheduling Multi-objective Optimization Meta-Heuristic بهطور کلی، هدف اصلی الگوریتمهای زمانبندی جریان کار، کشف یک زمانبندی بهینه جهت اجرای کارها بر روی ایستگاههای پردازشی است بهطوری که: شکل2: هدف اصلی الگوریتمهای زمانبندی جریان کار ادبيات تحقيق الگوریتمهایی که تاکنون جهت حل مسأله زمانبندی جریان کار در محیط ابر ارائه شدهاند را میتوان در سه گروه کلی تقسیم نمود: الگوریتمهای اکتشافی: الگوریتمهای اکتشافی عبارتند از معیارها، روشها یا اصولی برای تصمیمگیری بین چند گزینه و انتخاب اثر بخشترین گزینه برای دستیابی به اهداف مورد نظر.
اکثر الگوریتمهای موجود جهت زمانبندی جریان کار دارای معایبی نظیر سرعت همگرایی پایین و عدم توازن بار بین منابع پردازشی و تک هدفه بودن میباشند که در این پژوهش با ارائه یک الگوریتم فرااکتشافی ترکیبی فاخته-ژنتیک این معایب را تا حدی مرتفع میگردد.
تولید جمعیت جدید توسط الگوریتم ژنتیک این فاز از روش پیشنهادی شامل اجرای بلوک آبی رنگ انتخاب شده در فلوچارت الگوریتم پایه ژنتیک در شکل 3-1 است.
" Workflow scheduling algorithms for hard-deadline constrained cloud environments", The International Conference on Computational, Vol. 80, pp.
"A particle swarm optimization-based heuristic for scheduling workflow applications in cloud computing environments.
"A particle swarm optimization-based heuristic for scheduling workflow applications in cloud computing environments.
, "Immune genetic algorithm for scheduling service workflows with QoS constraints in cloud computing", South African Journal of Industrial Engineering, vol.