زمانبندی کارها در رایانش ابری با الگوریتم ژنتیک بهبود یافته

زمانبندی کارها در رایانش ابری با الگوریتم ژنتیک بهبود یافته

ریحانه ضیا1

1) دانشجوی ارشد کامپیوتر گرایش هوض مصنوعی،دانشگاه آزاد اسلامی،واحد

کد IOI مقاله : ACCD-ACZKBA
محل انتشار : دهمین کنفرانس بین المللی پژوهش های کاربردی در علوم و مهندسی(carseconf.com)
چکیده :
    رایانش ابری با فراهم‌کردن دسترسی پویا به منابع پردازشی، زمان‌بندی کارها را به چالشی اساسی در مدیریت مراکز داده تبدیل کرده است. ناهمگونی ماشین‌های مجازی، تغییر بار کاری و تعارض میان زمان تکمیل، هزینه و مصرف انرژی، کارایی روش‌های ساده را محدود می‌کند. هدف این مقاله، ارائه چارچوبی برای زمان‌بندی چندهدفه بر پایه الگوریتم ژنتیک بهبودیافته است. روش پژوهش، طراحی الگوریتم و ارزیابی تجربی مبتنی بر شبیه‌سازی است. در چارچوب پیشنهادی، هر کروموزوم نگاشت کارها به ماشین‌های مجازی را نمایش می‌دهد؛ جمعیت اولیه با ترکیب راهکارهای ابتکاری و تولید تصادفی ساخته می‌شود؛ انتخاب والدین رقابتی است؛ و تقاطع آگاه از منابع، جهش تطبیقی و حفظ نخبگان برای افزایش تنوع و نگهداری پاسخ‌های باکیفیت به کار می‌روند. تابع برازندگی، زمان تکمیل، هزینه، انرژی و عدم‌تعادل بار را پس از نرمال‌سازی و با وزن‌های قابل تنظیم ترکیب می‌کند؛ سازوکار ترمیم نیز تخصیص‌های نامعتبر را اصلاح می‌کند. برای ارزیابی، الگوریتم در CloudSim و با مجموعه‌کارهای همسان، در برابر الگوریتم ژنتیک استاندارد، FCFS، Min-Min و روش‌های فراابتکاری منتخب مقایسه می‌شود. معیارها شامل زمان تکمیل، رعایت مهلت‌ها، هزینه، انرژی، بهره‌برداری منابع و زمان محاسباتی الگوریتم هستند. تحلیل چند اجرای مستقل، با گزارش میانگین، انحراف معیار و آزمون معناداری، قابلیت اتکای نتایج را افزایش می‌دهد. همچنین تحلیل حساسیت پارامترهای الگوریتم نیز بررسی می‌شود. انتظار می‌رود سازوکارهای تطبیقی و چندهدفه، مصالحه مناسب‌تری میان سرعت، هزینه و انرژی ایجاد کنند؛ بااین‌حال، میزان بهبود باید با آزمایش‌های تکرارپذیر اثبات شود. این چارچوب می‌تواند مبنایی برای توسعه زمان‌بندهای مقیاس‌پذیر در محیط‌های ابری ناهمگون فراهم آورد.

کلمات کلیدی : واژه‌هاي كليدي رایانش ابری زمان‌بندی کارها الگوریتم ژنتیک بهبودیافته بهینه‌سازی چندهدفه مصرف انرژی