دانلود ترجمه مقاله زمانبندی وظیفه چند پردازنده ای با الگوریتم ژنتیک در محیط رایانش مه – ابری

1. مقدمه 2. مقالات مرتبط 3. روش پیشنهادی 4. مدل زمانبندی وظیفه با استفاده از Hgecs 5. مطالعات تجربی 6. نتیجه گیری

چکیده – برنامه ریزی وظیفه چند پردازنده ای، عملیات پردازش بیش از دو وظیفه به صورت همزمان در سیستم است. ساختارهای رایانش چندپردازنده ای مهی-ابری، انواعی از ساختارهای جانبی مبادله شده با تقاضای زیاد از ابتدای آن است. مانند دیگر سیستم های شبکه سازی، سیستم مهی-ابری موجود براساس سیستم های چندپردازنده ای با تعدادی چالش مواجه است. بخاطر وجود کلاینت های مازاد و خدمات مختلف، مسائل برنامه ریزی زمانی و مصرف انرژی چالش برانگیز هستند. مسائل موجود باید با برنامه ریزی صحیح حل شوند تا مصرف انرژی کاهش یابد. برای حصول به این هدف، یک رویکرد برنامه ریزی زمانی بهینه لازم است. روش پیشنهادی، یک روش نوین به نام «الگوریتم ژنتیک ترکیبی» و «برنامه ریزی آگاه از انرژی» برای برنامه ریزی بهتر وظایف برروی پردازنده ها، می باشد. در اینجا الگوریتم ژنتتیک و مدل برنامه ریزی آگاه از انرژی با هم تلفیق می شوند. هنگامی که تنها یک الگوریتم ژنتیک برای روش برنامه ریزی وظیفه انتخاب می شود، از لحاظ محاسباتی سنگین می شود. مصرف انرژی به یک چالش بزرگ تبدیل می شود، زیرا با پیچیدگی هایی مواجه نمی شود و برنامه ریزی وظایف مناسب فوق العاده دشوار می شود. هنگام انتخاب الگوریتم ژنتیک ترکیبی پیشنهادی، این مسائل با ملاحظه جواب های بهینه با زمان و انرژی مصرفی کمینه شده، قابل رفع هستند. از یک الگوریتم ژنتیک برای تولید سه کرومزوم اصلی با استفاده از روش های اولویتی استفاده می شود. منابع اختصاص داده شده از طریق مدل برنامه ریزی آگاه از انرژی بهینه سازی می شود و روش پیشنهادی با استفاده از متلب پیاده سازی می شود. روش موجود، شامل الگوریتم ژنتیک، بهینه سازی ازدحام ذره، الگوریتم جستجوی گرانشی و بهینه سازی کلونی و مدل های نوبت گردشی با روش پیشنهادی مقایسه می شوند و عملکرد بهتر آن نسبت به مدل های موجود اثبات شد. مقدمه: برنامه های چند پردازنده ای سریعاً رو به رشد هستند و کاربرد گسترده ای در کاربردهای مختلف شامل مراقبت سلامت، گوشی های هوشمند، هوافضا، الکترونیک خودرو و غیره دارند [1، 2]. برای برآورده کردن لزومیت توانایی های محاسباتی در اکثر کاربردهای بلادرنگ، سیستم پردازش به تدریج از چندین پردازنده برای صرفه جویی بهتر در انرژی استفاده می کند [3]. جهت عملکرد موثر، برنامه ریزی صحیح برای وظایف مستقل یا وابسته برای یک پیاده سازی موازی در دامنه گسترده ای از پردازنده ها انجام می شود [4]. در سیستم های کامپیوتری، برنامه ریزی چند پردازنده ای وظایف [5] یکی از مسائل چالش برانگیز اصلی می باشد. شکل برنامه ریزی با مسائل برنامه ریزی متداول متفاوت است زیرا مصرف وظیفه را نادیده می گیرند که این امر را می توان برروی تنها یک پردازنده در یک زمان مشخص انجام داد [6]. براساس، الزامات در یک سیستم وظیفه چندپردازنده ای، وظایف باید بطور همزمان بروی چندین پردازنده مدیریت شوند. با توسعه الزامات محاسباتی کاربردهای مقیاس بزرگ، رایانش ابری یا مهی، بکارگیری سرعت بالای کاربردهای مقیاس بزرگ در زمان حاضر را ممکن می سازد. این ابر، اتوات محاسباتی انعطاف پذیر و مقاوم را برای پردازنده وظایف متنوع ارتقا می دهد. برنامه ریزی وظیفه چند پردازنده ای، به معنای موقعیت یابی وظایف به صورت خاص در یک محیط مهی یا ابری برای بهره برداری مناسب از منابع است. رایانش مهی-ابری، یک فناوری قابل توجه است که خدمات اینترنتی موثر را اجرا می کند. برنامه ریزی وظایف متعدد در رایانش ابری بخاطر مشخصات ناهمگن، ساده نیست. برای کاهش زمان اجرای کلی هنگام پیروی از وابستگی های وظیفه، برنامه ریزی کارآمد و متوازن سازی ترافیک محیط ابری باید بکار گرفته شود تا وظایف چند پردازنده ای اجرا شوند. یک محیط ابری یا مهی، یک سیستم رایانش غیرمتمرکز است که در آن داده ها را می توان ذخیره کرد. یک محیط چند پردازشی با پردازش بیش از یک وظیفه به صورت همزمان سروکار دارد تا عملکرد سیستم را بهبود بخشد.

Multiprocessor task scheduling is an operation of processing more than two tasks simultaneously in the system. The Fog–cloud multiprocessor computing structures are the categories of exchanged collateral structures with great demand from its initiation. Like other networking systems, the existing fog–cloud system based on multiprocessor systems faces some challenges. Due to the availability of excess clients and various services, scheduling and energy consumption issues are challenging. The existing problems must be resolved with proper planning to reduce makespan and energy consumption. To obtain this, an optimal scheduling approach is required. The proposed approach presents a novel methodology called Hybrid Genetic Algorithm and Energy Conscious Scheduling for better scheduling tasks over the processors. Here Genetic Algorithm and Energy conscious scheduling model are integrated. When only a Genetic Algorithm is chosen for the task scheduling approach, it becomes computationally expensive. Energy consumption becomes a huge challenge as it does not cope with complexity, making it extremely difficult to schedule appropriate tasks. When choosing the proposed hybrid Genetic algorithm, these issues can be overcome by considering optimal solutions with minimized makespan and consumed energy. A Genetic Algorithm is used to generate three primary chromosomes using priority approaches. The allocated resources are optimized through the Energy Conscious Scheduling model, and the proposed method is implemented using MATLAB. The existing methods, including genetic algorithm, particle swarm optimization, gravitational search algorithm, ant colony optimization and round robin models, are compared with the proposed method, proven comparatively better than existing models. Introduction: The growth of multi-processing applications is developing rapidly and is widely used in different applications, including medical care, smartphones, aerospace, automotive electronics, etc. [1], [2]. To fulfill the necessity of computational abilities in most real-time applications, the processing systems gradually adopt multiple processors for better power saving and energy [3]. For effective performance, proper scheduling is undertaken for dependent or independent tasks for a parallel implementation over a wide range of processors [4]. In computer systems, the multiprocessor scheduling of tasks [5] is one of the main challenging issues. This form of scheduling varies from the conventional scheduling issues as it neglects the task assumption that it can be performed over only one processor in a specified time [6]. Based on the requirements in a multiprocessor task system, the tasks should be handled on multiple processors simultaneously. With the developing computational requirement of huge-scale applications, Fog or cloud computing permits a high-velocity placement of huge-scale applications in the present days. The cloud promotes flexible and resistant computing devices for processing diverse tasks. Multiprocessor task scheduling is positioning tasks in a specified manner in a fog or cloud environment to utilize resources appropriately. The fog–cloud computing is a significant technology that renders effective Internet services. Scheduling diverse tasks in cloud computing is not simply due to heterogeneity characteristics. To reduce the overall execution time when following the task dependencies, efficient scheduling and traffic balancing cloud environment should be adopted to perform multi-processing tasks. A fog or cloud environment is a decentralized computing system where data can be stored. A multi-processing environment deals with processing more than one task simultaneously to improve the system’s performance.

ترجمه این مقاله در 38 صفحه آماده شده و در ادامه نیز صفحه 14 آن به عنوان نمونه قرار داده شده است که با خرید این محصول می توانید، فایل WORD و PDF آن را دریافت نمایید.