مشخصات مقاله:
عنوان فارسی مقاله:
بهینه سازی ازدحام ذره پیشرفته برای زمان بندی وظیفه در محیط های رایانش ابری
عنوان انگلیسی مقاله:
Enhanced Particle Swarm Optimization For Task Scheduling In Cloud Computing Environments
کلمات کلیدی مقاله:
محاسبات ابر، بهینه سازی ذرات ذرات، استراتژی برنامه ریزی، تعادل بار، ماشین مجازی
مناسب برای رشته های دانشگاهی زیر:
مهندسی کامپیوتر
مناسب برای گرایش های دانشگاهی زیر:
معماری سیستم های کامپیوتری، رایانش ابری و مهندسی الگوریتم ها و محاسبات
وضعیت مقاله انگلیسی و ترجمه:
مقاله انگلیسی را میتوانید به صورت رایگان با فرمت PDF از باکس زیر دانلود نمایید. ترجمه این مقاله با فرمت WORD – DOC آماده خریداری و دانلود آنی میباشد.
فهرست مطالب:
چکیده
1 – مقدمه
2- کار مرتبط
3 – ساختار مدل پیشنهادی
4 – تدوین مشکل زمان بندی وظیفه سیستم های پیشنهادی
5- بهینه سازی ازدحام ذرات جهش متواز ن سازی بار
6 – نتیجه شبیه سازی و ارزیابی
6-1 داده و اجراء
6-2 آزمایشات و نتایج
7 – نتیجه گیری ها و کار آینده
قسمتی از مقاله انگلیسی و ترجمه آن:
2. Related WORK
There are many of research worked in resource scheduling to improve efficiency in cloud computing. Most of these researches improve the cost, waiting time, make span, resource utilization, execution time and round trip time. But, not consider other important parameters such as reliability, availability, scheduling success rate, speed and scalability. The complexity is reasoning to not consider these parameters. In 6 presented a Quality of service (QoS)-based Genetic Hybrid Particle Swarm Optimization (GHPSO) to schedule applications to cloud resources. In GHPSO, crossover and mutation of genetic algorithm is embedded into the particle swarm optimization algorithm (PSO). The simulation results show that the GHPSO achieves better performance than standard particle swarm algorithm used in minimize costs within a given execution time.
2- کار مرتبط
کار های مختلفی در زمینه زمان بندی منبع انجام گرفته اند تا کارامدی را در رایانش ابری بهبود بخشند . موضوعات هزینه ، زمان انتظار ، گستره سازی ، استفاده منبع ، زمان اجراء و زمان ارسال بسته از مبداء به مقصد و برگشت آن در اکثر این تحقیق ها بهبود ئمی یابند . اما دیگر پارامتر های مهم نظیر قابلیت اطمینان ، دسترس پذیری ، نرخ موفقیت زمان بندی ، سرعت و مقیاس پذیری مورد توجه قرار نمی گیرند . پیچیدگی یک دلیلی م باشد که این موضوعات مورد توجه قرار نگیرند .
بهینه سازی ازدحام ذره هیبریدی ژنتیکی (GHPSO) مبتنی بر کیفیت سرویس (QoS) برای زمان بندی کاربرد ها برای منابع ابر معرفی شده اند . تقاطع و جهش الگوریتم ژنتیکی در GHPSO در درون الگوریتم بهینه سازی ازدحام ذره (PSO) تعبیه می گردد . نتایج شبیه سازی نشان می دهند که GHPSO به عملکرد بهتر از الگوریتم ازدحام ذره استاندارد بکار رفته برای به حداقل رساندن هزینه ها بر طبق زمان اجراء معین دست می یابد .