دانلود ترجمه مقاله زمان بندی وظایف با استفاده از الگوریتم PSO در محیط های رایانش ابری

1. مقدمه 2. کارهای مرتبط 3. سیستم زمانبندی 4. الگوریتم مبنایی بهینه سازی ازدحام ذرات (PSO) 5. بهینه سازی سازگار ازدحام ذرات 6. الگوریتم جستجوی کاکو 7. الگوریتم زمانبندی Mdapsotask پیشنهادی 8. ارزیابی کارآیی 9. نتیجه گیری

چکیده – رایانش ابری در سالهای گذشته در بخش های محاسبات، تحقیقات و صنعت توسعه سریعی داشته است. با ارائه خدمات جدید، امکانات جدیدی برای ایجاد برنامه های کاربردی جدیدی و ارائه خدمات مختلف از طریق مجازی سازی در اینترنت، برای کاربر نهایی فراهم می شود. زمان بندی وظایف مهم ترین مسئله در رایانش ابریست زیرا کاربر باید با توجه به مدت زمانی که از خدمات استفاده میکند هزینه بپردازد که موجب توزیع بار بین منابع سیستمی با حداکثر کردن استفاده از آن و کاهش زمان اجرای وظایف می شود. الگوریتم های اکتشافی زیادی برای حل مسئله زمانبندی وظایف وجود دارد مثل الگوریتم بهینه سازی ازدحام ذرات (PSO)، الگوریتم ژنتیک (GA)، بهینه سازی کلونی مورچه (ACO) و جسجوی کاکو(CS) و غیره. در این مقاله یک الگوریتم بهینه سازی ازدحام ذرات پویا و انطباقی (DAPSO) برای تقویت کارآیی الگوریتم PSO پیشنهاد شده تا زمان اجرای وظیفه را با حداقل کردن کل مدت انجام کار مجموعه خاصی از وظایف و نیز همزمان، حداکثر کردن میزان استفاده از منابع بهبود دهد. همچنین یک الگوریتم زمابندی وظیفه برای زمانبندی وظایف مستقل، در یارانش ابری پیشنهاد شده است. الگوریتم پیشنهادی ترکیبی از الگوریتم PSO پویا (DPSO) و الگورتیم جسجو کاکو (CS) است که MDAPSO نامیده می شود. با توجه به نتایج آزمایشات متوجه شدیم که الگوریتم های MDAPSO و DAPSO، عملکرد PSO اصلی را بهبود می دهند. همچنین یک بررسی قیاسی برای ارزیابی کارآیی MDAPSO با توجه به PSO اصلی انجام شده است.

The Cloud computing has become the fast spread in the field of computing, research and industry in the last few years. As part of the service offered, there are new possibilities to build applications and provide various services to the end user by virtualization through the internet. Task scheduling is the most significant matter in the cloud computing because the user has to pay for resource using on the basis of time, which acts to distribute the load evenly among the system resources by maximizing utilization and reducing task execution Time. Many heuristic algorithms have been existed to resolve the task scheduling problem such as a Particle Swarm Optimization algorithm (PSO), Genetic Algorithm (GA), Ant Colony Optimization (ACO) and Cuckoo search (CS) algorithms, etc. In this paper, a Dynamic Adaptive Particle Swarm Optimization algorithm (DAPSO) has been implemented to enhance the performance of the basic PSO algorithm to optimize the task runtime by minimizing the makespan of a particular task set, and in the same time, maximizing resource utilization. Also, .a task scheduling algorithm has been proposed to schedule the independent task over the Cloud Computing. The proposed algorithm is considered an amalgamation of the Dynamic PSO (DAPSO) algorithm and the Cuckoo search (CS) algorithm; called MDAPSO. According to the experimental results, it is found that MDAPSO and DAPSO algorithms outperform the original PSO algorithm. Also, a comparative study has been done to evaluate the performance of the proposed MDAPSO with respect to the original PSO.