بهبود زمان بندی وظایف ایستا در سیستم های توزیع شده نامتقارن با استفاده از الگوریتم بهینه سازی مبتنی بر آموزش یادگیری

به منظور بهبود کارایی سیتم های توزیع شده، ارائه الگوریتم های زمان بندی از اهمیت بالایی برخوردار است. زمان بندی وظایف ایستا در محیط های توزیع شده ناهمگن یک مسئله بهینه سازی NP-Hard است. استفاده از الگوریتم های فرامکاشفه ای برای حل این مسائل استفاده می شود. دراین تحقیق، یک الگوریتم زمانبندی وظایف ایستا در محیط ناهمگن توزیع شده جدید مبتنی بر الگوریتم بهینه سازی آموزش و یادگیری ارائه پیشنهاد شده است.درالگوریتم پیشنهاد شده با در نظرگرفتن اولویت و زمان اجرای هر وظیفه و تخصیص نزدیکترین پردازنده به وظیفهموردنظر ارائه شده که زمان اجر ای کل وظایف حداقل می شود. همگرایی روش پیشنهاد شده با تعداد تکرا ر کمتر برای ر سیدن به جواب نسبتا بهینه به نسبت دیگر الگوریتم های فرامکاشفه ای انجام می شود. به منظور ارزیابی، مقایسه ای جامع در پارامتر های ارزیابی شامل توافق سطح سرویس، میزان مصرف انرژی، مقدار حافظه استفاده است. نتایج ارزیابی نشان می دهد که در روش پیشنهادی در مقایسه با روش های مشابه، مقدار مصرف انرژی باخاموش کردن میزبان ها و ماشین های فیزیکی به حدقل مقدار خود در مقایسه با سا یر روش ها رسیده است. این در حالی است که توافق سطح سرویس و نیز حافظه مصرفی هم در حالات متعدد ارزیابی بهبود پیدا کرده است.

کلیدواژه ها:

محاسبات ابری ، زمان بندی وظایف ، الگوریتم بهینه سازی مبتنی بر آموزش یادگیری ، مهاجرت ماشینمجازی