چکیده:
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.
چکیده انگلیسی:
Nowadays, along with the constant increase of using cloud environment by companies and organizations, scheduling jobs in this environment in an optimum way is of prime importance. Therefore, different algorithms have been suggested for assigning tasks to resources in cloud environments; however, most of which do not consider criteria such as balanced load, and reduction of the task completion time. In this work, using the meta-heuristic algorithm of swarm particles optimization (PSO) and fuzzy logic, task completion time is reduced, and, as a result of which, efficiency of using resources is increased. Generally, in a distributed system like cloud environment, tasks are assigned randomly to resources. Hence, total load on the cloud environment could become imbalanced, which reduces system’s efficiency. In this research, PSO and fuzzy logic is used for job scheduling. In addition, the use of simulated annealing (SA) to improve the initial solutions, which are generated randomly, is suggested. Results show that the suggested optimization method can effectively improve criteria like makespan once compared with results of algorithms without optimization, like Ron-robin, and even in comparison to other optimization algorithms, like genetic algorithm.
خبرنامه
برای ثبت نام در خبرنامه و دریافت خبرنامه ایمیل خود را وارد نمایید.
