فایل ورد کامل مقایسه بهینه سازی ازدحام ذرات و الگوریتم ژنتیک برای تعادل بار در محیط پردازش ابری

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

این مقاله، ترجمه شده یک مقاله مرجع و معتبر انگلیسی می باشد که به صورت بسیار عالی توسط متخصصین این رشته ترجمه شده است و به صورت فایل ورد (microsoft word) ارائه می گردد

متن داخلی مقاله بسیار عالی، پر محتوا و قابل درک می باشد و شما از استفاده ی آن بسیار لذت خواهید برد. ما عالی بودن این مقاله را تضمین می کنیم

فایل ورد این مقاله بسیار خوب تایپ شده و قابل کپی و ویرایش می باشد و تنظیمات آن نیز به صورت عالی انجام شده است؛ به همراه فایل ورد این مقاله یک فایل پاور پوینت نیز به شما ارئه خواهد شد که دارای یک قالب بسیار زیبا و تنظیمات نمایشی متعدد می باشد

توجه : در صورت مشاهده بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل می باشد و در فایل اصلی فایل ورد کامل مقایسه بهینه سازی ازدحام ذرات و الگوریتم ژنتیک برای تعادل بار در محیط پردازش ابری،به هیچ وجه بهم ریختگی وجود ندارد

تعداد صفحات این فایل: ۲۰ صفحه

۵- نتیجه گیری
پردازش ابری محاسبه بر پایه اینترنت است که منابع برای کاربرای در تقاضا مهیا می شود. یک الگوریتم بهینه سازی ازدحام ذرات برای یافتن راه حل بهتر برای مسئله برنامه ریزی و تعادل بار در محیط پردازش ابری ارائه شده است. هدف این روش حل مسئله مصرف بالای زمان سیستم هنگام برنامه ریزی مشاغل وارد شوند مطابق با ماشین های مجازی موجود در محیط ابری است. در این مطالعه روش های تکاملی که الگوریتم ژنتیک و بهینه سازی ازدحام ذرات هستند در پردازش ابری با استفاده از روش برنامه ریزی کوتاه ترین شغل اول اجرا می شوند. بر اساس نتایج دیده شد که اگر زمان پاسخ سیسم در نظر گرفته شود PSO بهتر از GA است، زیرا زمان واکنش کمتری می گیرد و makespan کمتری از روش الگوریتم ژنتیک تولید می کند.

عنوان انگلیسی:Comparison of Particle Swarm Optimization and Genetic Algorithm for Load Balancing in Cloud Computing Environment~~en~~

V. CONCLUSION

Cloud Computing is internet based computing in which resources are provided to users on demand. A Particle Swarm Optimization algorithm has been presented to find the better solution for the problem of scheduling and load balancing in Cloud Computing environment. The goal of the technique is to resolve the problem of high consumption of system time while scheduling the incoming jobs according to available virtual machines in Cloud environment. In this study evolutionary techniques that are genetic algorithm and particle swarm optimization, are implemented in Cloud Computing using shortest job first scheduling methodology. On the basis of results it has been evaluated that PSO is better than GA if system response time is considered as it takes lesser response time and and generate a low makespan than Genetic Algorithm approach.

$$en!!