ورود
مقالات فارسیISIکنفرانسهاژورنالها

ا GA-GELS: رویکردی نوین برای زمانبندی کارها در سیستم های محاسبات ابری با ترکیب الگوریتم ژنتیک و جستجوی گرانشی

محل انتشار: همایش ملی علوم و مهندسی کامپیوتر با محوریت امنیت ملی و توسعه پایدار
سال انتشار: 1393
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 1,697

فایل این مقاله در 8 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/387527

شناسه ملی سند علمی:

COMPUTER01_165

تاریخ نمایه سازی: 22 مهر 1394

چکیده مقاله:

یکی از مسائل مهم در محاسبات ابری ، زمانبندی کارها است. زمانبندی کارها برای پردازش توسط منابع مناسب موجود در شبکه ابر، به عنوان یک مساله اساسی در رسیدن به کارایی بالا در سیستم محاسبات ابری مطرح شده است. این مساله به دلیل دارا بودن فضای جستجوی بزرگ از رده مسائل سخت بوده و برای حل آن بیشتر از روشهای جستجوی تصادفی استفاده می گردد. تاکنون الگوریتم های مختلفی برای حل این مساله پیشنهاد شده است. در این تحقیق برای حل مساله زمانبندی کارها در محاسبات ابری از ترکیب ژنتیک و جستجوی گرانشی استفاده شده است. برای نشان دادن کارایی الگوریتم پیشنهادی، با الگوریتم ژنتیک و الگوریتم ازدحام ذرات مقایسه شده است. نتایج تجربی نشان می دهد الگوریتم پیشنهادی از کارایی بالاتری نسیت به الگوریتم ژنتیک و الگوریتم ازدحام ذرات برخوردار است.

کلیدواژه ها:

نویسندگان

سیدمحمد صادق نوبی چاشمی

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

کوروش کیانی

دانشگاه سمنان

مهدی یدالهی

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. Dubey, and J. Bhattacharjee, A Survey on ...
  • Lee, Z., Y. Wang, and W. Zhou. 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 ...
  • for Parallel Computing On Heterogeneous Networks, 200)4. Third International Workshop ...
  • Sadhasivam, S., et al. Design and implementatio n of an ...
  • Van den Bossche, R., K. Vanmechelen, and J. Broeckhove. Cost-optimal ...
  • Ge, Y. and G. Wei. Ga-based task scheduuler 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-awar strategy for data placement ...
  • Ganapathi, A., et al. Statistic s-driven workload modeling for the ...
  • Selvarani, S., & Sadhasivam, , S. (2010). Improved cost-based algorithm ...
  • Liu, H., Xu, D., & Miao, H. (2011). Ant colony ...
  • Agarwal, Dr, and Saloni Jain. "Efficient Optimal Algorithm of Task ...
  • Tawfeek, Medhat A., et al. "Cloud task scheduling based _ ...
  • Manju, A., and Madhav J. Nigam. "Applications of quantum inspired ...
  • Braun, T.D., et al., A comparison of eleven static heuristics ...
  • Pandey, S., et al. A particle SWarm optimization -based heuristic ...
    • نمایش کامل مراجع