زمان بندی وظیفه موثر در رایانش ابری مبتنی بر الگوریتم بهینه سازی یادگیری اجتماعی بهبود یافته

قیمت: 47,000 تومان

دانلود رایگان مقاله

خرید ترجمه مقاله

عنوان فارسی

زمان بندی وظیفه موثر در رایانش ابری مبتنی بر الگوریتم بهینه سازی یادگیری اجتماعی بهبود یافته

عنوان لاتین

Effective Task Scheduling in Cloud Computing Based on Improved Social Learning Optimization Algorithm

برای مساله بهینه رایج زمان بندی وظیفه در رایانش ابری ، این مقاله یک الگوریتم زمان بندی منبع نوین براساس الگوریتم بهینه سازی یادگیری اجتماعی (SLO) ، پیشنهاد می کند.SLO یک الگوریتم هوشمند گروهی است که توسط شبیه سازی فرآیند تکامل هوش انسانی پیشنهاد شده است و مکانیزم بهینه سازی و عملکرد بهینه سازی بهتری دارد.این مقاله دو عملگر یادگیری برای زمان بندی وظیفه در رایانش ابری را پس از تحلیل مشخصه های مساله زمان بندی وظیفه ، پیشنهاد می کند.سپس با معرفی روش مقدار موقعیت کوچک (SPV) ، دو عملگر یادگیری با اساس ماهیت مداوم ، قادر شده اند که مساله زمان بندی وظیفه را حل کنند و سپس SLO بهبود یافته به کار گرفته شده است تا مساله زمان بندی بهینه منابع ابری را حل کند.در انتها ، عملکرد SLO بهبود یافته با کار تحقیقاتی موجود روی پلتفرم CloudSim ، مقایسه شده است.نتایج آزمایشی نشان می دهد که رویکرد پیشنهادی در این مقاله ، سرعت هم پوشانی و توانایی بهینه سازی سراسری بهتری دارد.

For the typical optimal problem of task scheduling in cloud computing, this paper proposes a novel resource scheduling algorithm based on Social Learning Optimization Algorithm (SLO). SLO is a new swarm intelligence algorithm which is proposed by simulating the evolution process of human intelligence and has better optimization mechanism and optimization performance. This paper proposes two learning operators for task scheduling in cloud computing after analyzing the characteristics of the problem of task scheduling; then, by introducing the Small Position Value (SPV) method, the two learning operators with continuous nature essence are enabled to solve the problem of task scheduling, and then the improved SLO is employed to solve the problem of cloud resource optimal scheduling. Finally, the performance of improved SLO is compared with existing research work on the CloudSim platform. Experimental results show that the approach proposed in this paper has better global optimization ability and convergence speed.