مروری بر الگوریتم های متاهیوریستیک برای زمان بندی وظایف در محیط های رایانش ابری و مه

با گسترش روزافزون سامانه های رایانش ابری و مه در پاسخ به نیازهای پیچیده و حجیم برنامه های اینترنت اشیا، مسئله زمان بندی بهینه وظایف به یکی از چالش های کلیدی در این حوزه تبدیل شده است. زمان بندی موثر می تواند بر معیارهایی همچون زمان اجرای کل، مصرف انرژی، هزینه و کیفیت خدمات تاثیر چشمگیری داشته باشد. با توجه به ماهیت NP-Hard این مسئله، الگوریتم های متاهیوریستیک به عنوان رویکردهایی قدرتمند و انعطاف پذیر برای یافتن راه حل های نزدیک به بهینه مطرح شده اند. این مقاله مروری جامع و تحلیلی بر الگوریتم های متاهیوریستیک مورد استفاده در زمان بندی وظایف در محیط های رایانش ابری و مه و ترکیبی ارائه می دهد. الگوریتم هایی همچون الگوریتم های ژنتیک، گرگ خاکستری، بهینه سازی ازدحام ذرات NSGA-II و ترکیب های تلفیقی نوین مورد بررسی و تحلیل قرار گرفته اند. همچنین، نقاط قوت، ضعف و معیارهای ارزیابی همچون زمان اجرا، مصرف انرژی و هزینه مورد تحلیل قرار گرفته است. این مقاله با هدف فراهم سازی دیدگاهی نظام مند از رویکردهای موجود، زمینه را برای توسعه ی روش های کارآمدتر و هوشمندانه تر در آینده فراهم می سازد.

کلیدواژه ها:

زمان بندی وظایف ، رایانش ابری ، رایانش مه ، بهینه سازی چندهدفه ، الگوریتم های ترکیبی