زمانبندی وظیفه توازن بار بر اساس الگوریتم ژنتیک چند جمعیتی در محاسبات ابری
Load Balancing Task Scheduling based on Multi-Population Genetic Algorithm in Cloud Computing
مشخصات کلی
| سال انتشار | 2016 |
| کد مقاله | 3239 |
| فرمت فایل ترجمه | Word |
| تعداد صفحات ترجمه | 13 |
| نام مجله | Chinese Control Conference |
| نشریه | IEEE |
| درج جداول و شکل ها در ترجمه | انجام شده است |
| جداول داخل مقاله | ترجمه شده است |
چکیده فارسی
در این مقاله به جای الگوریتم ژنتیک یک الگوریتم ژنتیک چندگانه (MPGA) با توجه به توازن بار برای اجرای برنامه ریزی مشکلات در محیط ابری به کار گرفته شده است تا از همگرایی زودرس الگوریتم ژنتیک اجتناب شود. به منظور تقویت بازدهی جستجو، الگوریتم min-min و max-min برای شروع اولیه جمعیت استفاده می شود. علاوه بر این ، در این مقاله برای نمایش فرزندان معیار متروپلیس استفاده می شود به طوری که افراد ضعیف نیز با احتمال خاصی پذیرفته می شوند سپس تنوع جمعیت را می توان حفظ کرد و همچنین از بهینه سازی محلی نیز می توان اجتناب کرد. نتایج شبیه سازی نشان می دهد که از طریق الگوریتم برنامه ریزی وظایف مبتنی بر MPGA نتیجه برنامه ریزی وظایف بهتر (یعنی زمان تکمیل کوتاه تر، هزینه های پردازش پایین، متعادل سازی بار) می تواند حاصل شود؛ این بدان معنی است که الگوریتم می تواند برنامه ریزی وظایف موثری را تحقق بخشد و در مقایسه با الگوریتم ژنتیک سازگار (AGA) می تواند برای اداره ی مقادیر وظایف مناسب تر باشد.
چکیده لاتین
In this paper, a Multi-Population Genetic Algorithm (MPGA) considering load balancing is adopted for solving task scheduling problems in cloud environment instead of Genetic Algorithm to avoid premature convergence. In order to boost the search efficiency, the min-min and max-min algorithm are used for the population initialization. Moreover, Metropolis criterion is used in this paper to screen the offspring so that poor individuals can also be accepted with a certain probability, then the population diversity can be maintained and the local optimum can also be avoided. The simulation results show that a better task scheduling result (shorter completion time, lower processing costs, load balancing) could be achieved through the MPGA-based task scheduling algorithm, which means the algorithm can realize an effective task scheduling and is more suitable for handling quantities of tasks compared to adaptive genetic algorithm (AGA).
خرید و دانلود ترجمه این مقاله:
جهت خرید این مقاله ابتدا روی لینک زیر کلیک کنید، به صفحه ای وارد می شوید که باید نام و ایمیل خود را وارد کنید و پس از آن روی دکمه خرید و پرداخت کلیک نمایید، پس از پرداخت بلافاصله به سایت بازگشته و می توانید فایل خود را دانلود کنید، همچنین لینک دانلود به ایمیل شما نیز ارسال خواهد شد.
هیچ دیدگاهی برای این مقاله ثبت نشده است
دیدگاه ها