بهینه سازی زمان بندی وظایف در محیط ابری با استفاده از ترکیب الگوریتم کلونی مورچگان و الگوریتم مارمولک

در این پژوهش، یک الگوریتم ترکیبی جدید با عنوان ACO-FLO برای حل مسئله زمان بندی وظایف در محیط های رایانش ابری ارائه شده است. این الگوریتم با ترکیب قدرت جستجوی سراسری الگوریتم کلونی مورچگان (ACO ) و سرعت همگرایی الگوریتم بهینه سازی مارمولک یقه دار (FLO )، به دنبال ایجاد تعادل موثر میان اکتشاف و بهره برداری در فرآیند بهینه سازی وظایف است. هدف اصلی پژوهش، کاهش زمان کل اجرای وظایف (Makespan) و ارتقای کارایی منابع در سیستم های ابری بوده است. برای ارزیابی عملکرد، الگوریتم های ACO، FLO و ACO-FLO روی مجموعه ای از وظایف با اندازه های مختلف و رندوم پیاده سازی و آزمایش شدند. نتایج شبیه سازی در محیط CloudSim نشان داد کهACO-FLO نسبت به نسخه های مستقل خود عملکرد بهتری دارد و توانسته در برخی سناریوها تا بیش از ۳۴% نسبت به سایر الگوریتم ها بهبود درMakespan ایجاد کند. این یافته ها نشان دهنده ی قابلیت بالای الگوریتم ترکیبی ACO-FLO به عنوان یک راهکار موثر و قابل اعتماد برای زمان بندی وظایف در محیط های محاسباتی پویا و مقیاس پذیر ابری است.

کلیدواژه ها:

زمان بندی وظایف ، الگوریتم کلونی مورچگان ، الگوریتم مارمولک ، Makespan ، محیط ابری