ورود
مقالات فارسیISIکنفرانسهاژورنالها

رویکردی نوین برای زمانبندی وظایف در سیستم های محاسبات ابری با ترکیب الگوریتم ژنتیک و جستجوی هارمونی

محل انتشار: ششمین کنفرانس مهندسی برق و الکترونیک ایران
سال انتشار: 1393
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 514

فایل این مقاله در 5 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:
https://civilica.com/doc/383862

شناسه ملی سند علمی:

ICEEE06_036

تاریخ نمایه سازی: 1 مهر 1394

چکیده مقاله:

زمانبندی وظایف یکی از تأثیر گذار بر عملکرد ارائه دهنده محاسبات ابری است. امروزه با بزرگ شدن مسائل و اهمیت یافتن سرعت رسیدن به پاسخ، روش های کلاسیک جوابگوی حل بسیاری از مسائل نیستند و از الگوریتم های جستجوی تصادفی بیش از جستجوی همه جانبه فضای حل مسئله استفاده می شود. از این رو زمانبندی وظایف برای پردازش توسط منابع مناسب موجود در شبکه ابر، به عنوان یک مسئله اساسی در رسیدن به کارایی بالا در سیستم محاسبات ابری مطرح شده است. این مسئله از رده مسائل NP-Complete بوده است. در این مقاله برای حل مسئله زمانبندی وظایف در محاسبات ابری از ترکیب الگوریتم ژنتیک و الگوریتم جستجوی هارمونی بکار گرفته شده و برای نشان دادن کارایی این الگوریتم، با الگوریتم های ژنتیک وازدحام ذرات مقایسه شده است. نتایج تجربی نشان می دهد الگوریتم پیشنهادی از کارایی بالاتری نسبت به الگوریتم های ژنتیک و ازدحام ذرات برخوردار است.

کلیدواژه ها:

نویسندگان

سیدمحمد صادق نبوی چاشمی

دانشگاه آزاد اسلامی پردیس علوم و تحقیقات شاهرود، گروه کامپیوتر، شاهرود، ایران، دانشگاه سمنان

کوروش کیانی

دانشگاه آزاد اسلامی واحد علوم و تحقیقات آیت الله آملی

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • Choubey, R., R. Dubey, and J. Bhattacharjee, A Survey on ...
  • Lee, Z., Y. Wang, and W. Zho. A dynamic priority ...
  • Linthicum, D.S., Cloud computing and SOA convergence in your enterprise: ...
  • Boroujerdi, M.M. and S. Nazem, Cloud computing: changing cogitation about ...
  • Beloglazov, A. and R. Buyya. Energy efficient resource management in ...
  • Wei, S., Y. Zhang, and Y. Inoguchi, Dynamic task flow ...
  • Savvas, I.K. and M. Kechadi. Dynamic task scheduling in computing ...
  • Sadhasivam, S., et al. Design and implementation of an efficient ...
  • Communic ation and Computing, 2009. ARTCom'09. International Conference on. 2009. ...
  • Van den Bossche, R., K. Vanmechelen, and J. Broeckhove. Cost-optimal ...
  • Ge, Y. and G. Wei. Ga-based task scheduler for the ...
  • Zhao, C., et al. Independent tasks scheduling based on genetic ...
  • Guo, L., et al., Task Scheduling Optimization in Cloud Computing ...
  • Selvarani, S. and G.S. Sadhasivam. Improved cost-based algorithm for task ...
  • Ramkumar, N. and S. Nivethitha, Efficient Resource Utilization Algorithm (ERUA) ...
  • Kosar, T. and M. Livny. Stork: Making data placement a ...
  • Cope, J.M., et al. Robust data placement in urgent computing ...
  • Xie, T., Sea: A striping-based energy-awars strategy for data placement ...
  • Ganapathi, A., et al. S tatistics-driven workload modeling for the ...
  • Braun, T.D., et al., A comparison of eleven static heuristics ...
  • Pandey, S., et al. A particle Swarm optimization -based heuristic ...
    • نمایش کامل مراجع