فایل ورد کامل استراتژی هوشمند زمانبندی وظیفه برای تعادل بار در محاسبات 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 استراتژی هوشمند زمانبندی وظیفه برای تعادل بار در محاسبات ابری،به هیچ وجه بهم ریختگی وجود ندارد

تعداد صفحات این فایل: ۲۷ صفحه

۶ نتیجه‌گیری و کارهای آینده
در این مقاله الگوریتم MACOLB برای بهبود زمانبندی وظایف ابر برای حفظ تعادل بار ارائه شده است. MACOLB برای پیدا کردن تخصیص منابع بهینه برای وظایف دسته‌ای در سیستم ابر پویا و به حداقل رساندن makespan وظایف در کل سیستم استفاده می‌شود. الگوریتم پیشنهادی از همان معیارهای خود سازگار برای پارامترهای کنترل MACO استفاده می‌کند اما دارای یک عامل تعادل بار اضافه می‌باشد. الگوریتم‌های MACOLB، MACO و ACO در برنامه‌های کاربردی با تعدادی از وظایف مختلف از ۱۰۰ تا ۱۰۰۰ با استفاده ابزار Cloudsim ارزیابی شده‌اند. در مرحله اول بهترین مقادیر پارامترها برای الگوریتم ACO، به صورت تجربی تعیین می‌شوند. سپس makespan از الگوریتم‌های بالا مورد بررسی قرار گرفته است. نتایج شبیه‌سازی نشان داد که الگوریتم MACOLB بهتر از الگوریتم MACO و ACO می‌باشد. الگوریتم MACOLB را می‌توان با بهبود در رسیدگی به اولویت بین وظایف و هزینه منابع توسعه داد. همچنین مقایسه‌ای بین رویکرد پیشنهادی و دیگر روش‌های متا اکتشافی می‌تواند انجام شود.

عنوان انگلیسی:Intelligent Strategy of Task Scheduling in Cloud Computing for Load Balancing~~en~~

۶CONCLUSIONS AND FUTURE WORK

In this paper MACOLB algorithm has been proposed to improve the cloud tasks scheduling for load balancing. MACOLB is used to find the optimal resource allocation for batch tasks in the dynamic cloud system and minimize the makespan of tasks on the entire system. The proposed algorithm uses the same self-adapting criteria for the MACO control parameters but has an added load balancing factor. MACOLB, MACO and ACO algorithms in applications with the number of tasks varying from 100 to 1000 evaluated using Cloudsim toolkit. Firstly the best values of parameters for ACO algorithm, experimentally determined. Then the makespan of the above algorithms evaluated. Simulation results demonstrate that MACOLB algorithm outperforms MACO and ACO algorithms. MACOLB algorithm can be extended with improvements to handle precedence between tasks and costs of resources. Also the comparison between our approach and other metaheuristics approaches will be performed.

$$en!!