مقاله زمانبندی کار در محیط ابر بر اساس بهینه سازی مورچگانCloud Task Scheduling Based on Ant Colony Optimization

چکیده فارسی :

پردازش ابری، توسعه محاسبات توزیع شده ، محاسبات موازی و محاسبات گیرید، و یا به عنوانپیاده سازی تجاری  این  مفاهیم علوم کامپیوتر، می باشد. یکی از مسائل اساسی در این محیط ،مربوط به زمانبندی کار است. زمانبدی کار در محیط ابر، یک مسئله بهینه سازی NP-hard است، و بسیاری از الگوریتم های فرا اکتشافی (meta-hueristic)پیشنهاد شده است که آن را حل کند.  یک زماننبد خوب کار بایداستراتژی زماننبدی را به محیط در حال تغییر و انواع کارها، منطبق نماید. در این مقاله یک سیاست زماننبدی کار ابر بر اساس الگوریتم بهینه سازی کلونی مورچه ها در مقایسه با الگوریتم های زمانبندی مختلف FCFS و round-robin، معرفی شده است. هدف اصلی از این الگوریتم این است که به حداقل رساندن makespan مجموعه کارهای داده شده است. بهینه سازی کلونی مورچه ها ،روش جستجو بهینه سازی تصادفی است که برای تخصیص  برای کارهای وارده به ماشین های مجازی، استفاده می شود. الگوریتم ،با استفاده از بسته ابزار Cloudsim شبیه سازی شده است. نتایج تجربی،نشان داد ه است که بهینه سازی کلونی مورچه ها عملکرد بهتری نسبت به الگوریتم های FCFSو round-robin داشته است.

چکیده انگلیسی :

Cloud computing is the development of distributed computing, parallel computing and grid computing, or defined as the commercialimplementation of these computer science concepts. One of the fundamental issues in this environment is related to task scheduling. Cloud taskscheduling is an NP-hard optimization problem, and many meta-heuristic algorithms have been proposed to solve it. A good task scheduler should adapt its scheduling strategy to the changing environment and the types of tasks. In this paper a cloud task scheduling policy based on ant colony optimization algorithm compared with different scheduling algorithms FCFS and round-robin, has been presented. The main goal of these algorithms is minimizing the makespan of a given tasks set. Ant colony optimization is random optimization search approach that will be used for allocating the incoming jobs to the virtual machines. Algorithms have been simulated using Cloudsim toolkit package. Experimental results showed that the ant colony optimization outperformed FCFS and round-robin algorithms.