سیدعلی عسکرعادلی پور - گروه کامپیوتر، گرایش هوش مصنوعی، دانشکده علوم و تحقیقات بوشهر
فاطمه استوار - گروه کامپیوتر، گرایش هوش مصنوعی، دانشکده علوم و تحقیقات بوشهر
زهرا هوشمند - گروه کامپیوتر، گرایش هوش مصنوعی، دانشکده علوم و تحقیقات بوشهر

زمان بندی منابع ماشین مجازی در رایانش ابری اساساً وضعیت فعلی این سیستم را شامل می شود و به ندرت شامل تغییرات سیستم و داده های گذشته می باشد زیرا منجر به عدم تعادل بار این سیستم می شود. این مقاله در رابطه با مسأله تعادل بار در زمان بندی منابع ماشین مجازی یک استراژی زمان بندی بر روی تعادل بار در منابع ماشین های مجازی ارائه می دهد که براساس الگوریتم ژنتیک می باشد. این استراتژی براساس اطلاعات گذشته و وضعیت فعلی سیستم و از طریق الگوریتم ژنتیک تأثیری را که بر روی سیستمها خواهد داشت از پیش محاسبه می کند. بعد از اینکه منابع ماشین مجازی مورد نیاز توسعه پیدا کرد، راه حلی که کمترین تأثیر را دارد انتخاب می کند و به وسیله آن به بهترین تعادل بار می رسد و همچنین باعث کاهش یا مانع از مهاجرت پویا می شود. این استراتژی مشکل عدم تعادل بار و هزینه بالای مهاجرت با الگوریتم های قدیمی بعد از زمان بندی را حل می کند. نتایج اثبات می کند که این روش باعث تعادل بار و استفاده منابع منطقی می شود در زمانی که بار سیستم ثابت یا متغیر باشد.

رایانش ابری، ماشین مجازی، الگوریتم ژنتیک، استراتژی زمان بندی