دانلود ترجمه مقاله زمانبندی وظیفه در رایانش ابری با الگوریتم فرهنگی و کلونی مورچه

1. مقدمه 2. کارهای مرتبط 3. روش پیشنهاد شده 3.1. مدل سیستمی 3.2. الگوریتم ترکیبی 3.3. انتخاب پردازنده 3.4. اطلاعات اکتشافی 3.5. تابع تناسب 3.6. فضای باور 3.7. عملگرهای الگوریتم فرهنگی 3.7.1. عملگر انتخاب 3.7.2. عملگر تقاطع 3.7.3. عملگر جهشی 4. نتایج آزمایش 4.1. ابزارهای شبیه سازی 4.2. پارامتر های شبیه سازی 4.3. مجموعه داده 4.4. نتایج بدست آمده 4.4.1. نتایج گراف شکل 1 5. نتیجه گیری و کار آتی

چکیده – در یک محیط ابری، منابع رایانشی برای کاربران در دسترس بوده و آنان تنها هزینه منابعی که مورد استفاده قرار می دهند را پرداخت می کنند. زمانبندی وظیفه (Task) به عنوان مهم ترین مسئله در رایانش ابری مطرح شده، و مصرف انرژی و زمان را تحت تاثیر قرار میدهد. الگوریتم های زمانبندی وظیفه ممکن است از رویه های مختلفی برای توزیع رویه ها در زیر مجموعه وظایف استفاده کنند که این کار باعث به وجود آمدن makespan (زمان صرف شده ) مختلفی در یک سیستم رایانش ناهمگن خواهد شد. همچنین، مصرف انرژی میتواند در هر منبعی که به یک وظیفه تخصیص داده شده است، متفاوت باشد. الگوریتم های بسیاری مانند مسئله ان پی سخت (np-hard) برای حل مشکل زمانبندی وظیفه پیشنهاد شده اند. بیشتر این مطالعات به منظور به حداقل رساندن زمان صرف شده مورد استفاده قرار گرفته اند. مواردی مانند زمان صرف شده و مصرف انرژی در این مقاله مطرح شده، و یک روش زمانبندی وظیفه با استفاده از ترکیب الگوریتم فرهنگی و الگوریتم بهینه سازی کلونی مورچه به منظور بهینه سازی این اهداف، مطرح شده است. ایده اصلی روش پیشنهادی، استفاده از مزایای هر دو الگوریتم در حین اجتناب از مضرات آن است. نتایج آزمایش با استفاده از زبان سی شارپ در محیط ابری آزور نشان داد که الگوریتم پیشنهاد شده، از نظر مصرف انرژی و زمان صرف شده بهتر از الگوریتم های پیشین عمل می کند.

In a cloud environment, computing resources are available to users, and they pay only for the used resources. Task scheduling is considered as the most important issue in cloud computing which affects time and energy consumption. Task scheduling algorithms may use different procedures to distribute precedence to subtasks which produce different makespan in a heterogeneous computing system. Also, energy consumption can be different for each resource that is assigned to a task. Many heuristic algorithms have been proposed to solve task scheduling as an NP-hard problem. Most of these studies have been used to minimize the makespan. Both makespan and energy consumption are considered in this paper and a task scheduling method using a combination of cultural and ant colony optimization algorithm is presented in order to optimize these purposes. The basic idea of the proposed method is to use the advantages of both algorithms while avoiding the disadvantages. The experimental results using C# language in cloud azure environment show that the proposed algorithm outperforms previous algorithms in terms of energy consumption and makespan.

بخشی از ترجمه مقاله (صفحه 5 و 6 فایل ورد ترجمه)