DCHG-TS: یک الگوریتم ژنتیک ترکیبی با محدودیت زمانی و مقرون به صرفه برای زمان‌بندی گردش کار علمی در رایانش ابری(مقاله همراه ترجمه)

15 صفحه متن انگلیسی به صورت PDF و 27 صفحه متن فارسی

نام مقاله به انگلیسی:

DCHG-TS: a deadline-constrained and cost-effective hybrid genetic algorithm for scientific workflow scheduling in cloud computing

نمونه متن فارسی:

چکیده :

زیرساخت های ابری محیط های مناسبی برای پردازش جریان های کاری بزرگ علمی هستند. امروزه چالش‌های جدیدی در زمینه بهینه‌سازی گردش‌های کاری ظاهر می‌شود به طوری که می‌تواند نیازهای کیفیت خدمات کاربر را برآورده کند. کلید بهینه‌سازی گردش کار، زمان‌بندی وظایف گردش کار است که یک مشکل معروف NP-hard است. اگرچه روش‌های مختلفی بر اساس الگوریتم ژنتیک برای زمان‌بندی وظایف در ابرها ارائه شده است، روش پیشنهادی ما به دلیل استفاده از عملگرهای ژنتیکی جدید و همچنین عملگرهای ژنتیکی اصلاح‌شده و استفاده از روال متعادل‌سازی بار، کارآمدتر از روش‌های پیشنهادی دیگر است. زیرساخت های ابری محیط های مناسبی برای پردازش جریان های کاری بزرگ علمی هستند. امروزه چالش‌های جدیدی در زمینه بهینه‌سازی گردش‌های کاری ظاهر می‌شود به طوری که می‌تواند نیازهای کیفیت خدمات کاربر را برآورده کند. کلید بهینه‌سازی گردش کار، زمان‌بندی وظایف گردش کار است که یک مشکل معروف NP-hard است. اگرچه روش‌های مختلفی بر اساس الگوریتم ژنتیک برای زمان‌بندی وظایف در ابرها ارائه شده است، روش پیشنهادی ما به دلیل استفاده از عملگرهای ژنتیکی جدید و همچنین عملگرهای ژنتیکی اصلاح‌شده و استفاده از روال متعادل‌سازی بار، کارآمدتر از روش‌های پیشنهادی دیگر است.

نمونه متن انگلیسی:

Abstract

Cloud infrastructures are suitable environments for processing large scientific workflows. Nowadays, new challenges are emerging in the field of optimizing workflows such that it can meet user’s service quality requirements. The key to workflow optimization is the scheduling of workflow tasks, which is a famous    NP-hard problem. Although several methods have been proposed based on the genetic algorithm for task scheduling in clouds, our proposed method is more  efficient than other proposed methods due to the use of new genetic operators as well as modified genetic operators and the use of load balancing routine. Moreover, a solution obtained from a heuristic used as one of the  initial population chromosomes and an efficient routine also used for generating the rest of the primary population chromosomes. An adaptive fitness function is used that takes into account both cost and makespan. The algorithm introduced in this paper utilizes a load balancing routine to maximize resources’ efficiency at execution time. The performance of the proposed algorithm is evaluated by comparing the results with state of the art algorithms of this field, and the results indicate that the proposed algorithm has remarkable superiority in comparison to other algorithms and performs task scheduling with the least makespan and cost.