ارائه روش بهبود یافته زمان‌بندی کارها در محیط ابر با استفاده از الگوریتم بهینه‌سازی ازدحام ذرات

نوع مقاله : مقاله پژوهشی

نویسندگان
فاطمه عبادی فرد
احمد اکبری
دانشکده مهندسی ﻛﺎﻣﭙﻴﻮﺗﺮ، دانشگاه ﻋﻠﻢ و ﺻﻨﻌﺖاﻳﺮان، ﺗﻬﺮان، اﻳﺮان
چکیده
محاسبات ابری یکی از زمینه‌هایی است، که در سال‌های اخیر توجه کاربران زیادی را به خود جلب کرده است، این امر به دلیل مزایای قابل توجهی است، که سرویس‌های ابر از لحاظ هزینه و کارایی در اختیار مصرف‌کنندگان قرار می‌دهند. مسئله ی زمان بندی کارها یکی از مهمترین مسائل جهت استفاده مناسب از قابلیت های محیط ابر می باشد. به طور کلی مسئله زمان‌بندی کارها در محیط ابر یک مسئله ان‌پی - سخت می‌باشد ]16[. در مسئله‌ی زمان‌بندی کارها از یک طرف باید نیازمندی‌های کاربران در نظر گرفته شود و از طرف دیگر باید از منابع موجود حداکثر استفاده شود. در این مقاله روشی را برای زمان‌بندی کارها با استفاده از رویکرد بهبود یافته‌ی الگوریتم بهینه‌سازی ازدحام ذرات به کمک استفاده از الگوریتم تعادل بار برای تولید نسل اولیه مناسب‌تر، ارائه کرده‌ایم که روش پیشنهادی علاوه بر آنکه بار کاری را بین ماشین‌های مجازی موجود متعادل کرده، با انتخاب تابع برازندگی مناسب، سبب کاهش زمان تکمیل تمامی کارها ، همچنین استفاده‌ی حداکثر از منابع، می‌شود. نتایج شبیه‌سازی نشان می‌دهد که روش پیشنهادی در مقایسه با روش بهینه‌سازی ازدحام ذرات بدون استفاده از تعادل بار، به‌میزان 33 درصد بهبود در زمان تکمیل تمامی کارها و به میزان 22 درصد بهبود در میزان کارایی منابع دارد.

کلیدواژه‌ها

  • [1] K. Krishnasamy, "Task Scheduling Algorithm Based on Hybrid Particle Swarm Optimization in Cloud Computing Environment," Journal of theoretical & applied information technology, vol. 54, 2013.
  • [2] P. Kumar, and A. Verma, "Scheduling Using Improved Genetic Algorithm In Cloud Computing for Independent Tasks," Proc. International Conference on Advances in Computing, Communications and Informatics, pp. 137-142,2012.
  • [3] C. Zhao, S. Zhang, Q. Liu, J. Xie, and J. Hu, "Independent Tasks Scheduling Based on Genetic Algorithm in Cloud Computing," 5th International Conference onWireless Communications, Networking and MobileComputing (WiCom"09), pp. 1-4, 2009.
  • [4] L. Wang, and L. Ai, "Task Scheduling Policy Based onAnt Colony Optimization in Cloud Computing Environment," in LISS. Berlin, Germany: Springer BerlinHeidelberg, 2013, pp. 953-957.
  • [5] S. K. Chaharsooghi, and A. H. M. Kermani, "AnEffective Ant Colony Optimization Algorithm (ACO) forMulti-Objective Resource Allocation Problem (MORAP),"Applied Mathematics and Computation, vol. 200, pp.167-177, 2008.
  • [6] E. Pacini, C. Mateos, and C. G. Garino, "BalancingThroughput and Response Time in Online Scientific Cloudsvia Ant Colony Optimization," Advances in EngineeringSoftware, vol. 84, pp. 31-47, 2015.
  • [7] L. Guo, S. Zhao, S. Shen, and C. Jiang, "Task SchedulingOptimization in Cloud Computing Based on HeuristicAlgorithm," Journal of Networks, vol. 7, pp. 547-553, 2012.
  • [8] L. Zhang, and et. al., "A Task Scheduling AlgorithmBased on PSO for Grid Computing," International Journal ofComputational Intelligence Research, vol. 4, pp. 37-43,2008.
  • [9] S. Pandey, and et. al., "A Particle Swarm Optimization-based Heuristic for Scheduling Workflow Applications inCloud Computing Environments," Proc. 24th IEEEInternational Conference on Advanced InformationNetworking and Applications (AINA), pp. 400-407, 2010.
  • [10] S. Wang, and B. Meng, "Resource Allocation andScheduling Problem Based on Genetic Algorithm and AntColony Optimization," in Advances in Knowledge Discoveryand Data Mining. Berlin, Germany: Springer BerlinHeidelberg. 2007, pp. 879-886.
  • [11] S. Zhan, and H. Huo, "Improved PSO-based TaskScheduling Algorithm in Cloud Computing," Journal ofInformation & Computational Science, vol. 9, pp.3821-3829, 2012.
  • [12] R. C. Eberhart, and J. Kennedy, "A New OptimizerUsing Particle Swarm Theory," Proc. sixth InternationalSymposium on Micro Machine and Human Science, pp.39-43, 1995.
  • [13] G. Kaur, and E. S. Sharma, "Optimized Utilization ofResources Using Improved Particle Swarm OptimizationBased Task Scheduling Algorithms in Cloud Computing,"International Journal of Emerging Technology and AdvancedEngineering, vol. 4, 2014.
  • [14] S. A. M. S. Abdi, and S. Sharifian, "Task SchedulingUsing Modified PSO Algorithm in Cloud ComputingEnvironment," Proc. International Conference on MachineLearning, Electrical and Mechanical Engineering, Dubai (UAE), 2014.
  • [15] K. A. Nuaimi, and et. al., "A Survey of Load Balancingin Cloud Computing: Challenges and Algorithms," Proc.Second Symposium on Network Cloud Computing andApplications (NCCA), pp. 137-142, 2012.
  • [16] P. V. Krishna, "Honey Bee Behavior Inspired LoadBalancing of Tasks in Cloud Computing Environments,"Applied Soft Computing, vol. 13, pp. 2292-2303, 2013.
  • [17] R. N. Calheiros, and et. al., "Cloudsim: A Toolkit ForModeling And Simulation of Cloud ComputingEnvironments and Evaluation of Resource ProvisioningAlgorithms," Software: Practice and Experience, vol. 41, pp.23-50, 2011.
  • [18] D. G. Feitelson, and B. Nitzberg, "Job Characteristics ofa Production Parallel Scientific Workload on the NASAAmes Ipsc/860," in Job Scheduling Strategies for ParallelProcessing. Berlin, Germany:Springer Berlin Heidelberg,1995, pp. 337-360.
  • [19] K. Gomathi, and B. Krishnasamy, "Task SchedulingAlgorithm Base on Hybrid Particle Swarm Optimization inCloud Computing Environment," Journal of Theoretical andApplied Information Technology, vol. 55, 2013.
علوم رایانش و فناوری اطلاعات
دوره 13، شماره 2
پاییز و زمستان
پاییز 1394