فایل ورد کامل الگوریتم تکاملی چند هدفه مبتنی بر شبکه عصبی برای زمانبندی گردش کار پویا 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 الگوریتم تکاملی چند هدفه مبتنی بر شبکه عصبی برای زمانبندی گردش کار پویا در محاسبات ابری،به هیچ وجه بهم ریختگی وجود ندارد

تعداد صفحات این فایل: ۴۹ صفحه

زمانبندی گردشکار یک موضوع پژوهشی است که به طور گسترده در محاسبات ابری مورد مطالعه قرار گرفته است و از منابع ابری برای کارهای گردش کار استفاده می شود و برای این منظور اهداف مشخص شده در QoS را لحاظ می کند. در این مقاله، مسئله زمانبندی گردش کار پویا را به عنوان یک مسئله بهینه سازی چند هدفه پویا (DMOP) مدل می کنیم که در آن منبع پویایی سازی بر اساس خرابی منابع و تعداد اهداف است که ممکن است با گذر زمان تغییر کنند. خطاهای نرم افزاری و یا نقص سخت افزاری ممکن است باعث ایجاد پویایی نوع اول شوند. از سوی دیگر مواجهه با سناریوهای زندگی واقعی در محاسبات ابری ممکن است تعداد اهداف را در طی اجرای گردش کار تغییر دهد. در این مطالعه یک الگوریتم تکاملی چند هدفه پویا مبتنی بر پیش بینی را به نام الگوریتم NN-DNSGA-II ارائه می دهیم و برای این منظور شبکه عصبی مصنوعی را با الگوریتم NGSA-II ترکیب می کنیم. علاوه بر این پنج الگوریتم پویای مبتنی بر غیرپیش بینی از ادبیات موضوعی برای مسئله زمانبندی گردش کار پویا ارائه می شوند. راه حل های زمانبندی با در نظر گرفتن شش هدف یافت می شوند: حداقل سازی هزینه ساخت، انرژی و درجه عدم تعادل و حداکثر سازی قابلیت اطمینان و کاربرد. مطالعات تجربی مبتنی بر کاربردهای دنیای واقعی از سیستم مدیریت گردش کار Pegasus نشان می دهد که الگوریتم NN-DNSGA-II ما به طور قابل توجهی از الگوریتم های جایگزین خود در بیشتر موارد بهتر کار می کند با توجه به معیارهایی که برای DMOP با مورد واقعی پارتو بهینه در نظر گرفته می شود از جمله تعداد راه حل های غیرغالب، فاصله گذاری Schott و شاخص Hypervolume.

عنوان انگلیسی:

Neural network based multi-objective evolutionary algorithm for dynamic workflow scheduling in cloud computing

~~en~~ writers :

Goshgar Ismayilov, Haluk Rahmi Topcuoglu

Workflow scheduling is a largely studied research topic in cloud computing, which targets to utilize
cloud resources for workflow tasks by considering the objectives specified in QoS. In this paper, we
model dynamic workflow scheduling problem as a dynamic multi-objective optimization problem
(DMOP) where the source of dynamism is based on both resource failures and the number of objectives
which may change over time. Software faults and/or hardware faults may cause the first type of
dynamism. On the other hand, confronting real-life scenarios in cloud computing may change number
of objectives at runtime during the execution of a workflow. In this study, we propose a predictionbased
dynamic multi-objective evolutionary algorithm, called NN-DNSGA-II algorithm, by incorporating
artificial neural network with the NSGA-II algorithm. Additionally, five leading non-prediction based
dynamic algorithms from the literature are adapted for the dynamic workflow scheduling problem.
Scheduling solutions are found by the consideration of six objectives: minimization of makespan,
cost, energy and degree of imbalance; and maximization of reliability and utilization. The empirical
study based on real-world applications from Pegasus workflow management system reveals that
our NN-DNSGA-II algorithm significantly outperforms the other alternatives in most cases with
respect to metrics used for DMOPs with unknown true Pareto-optimal front, including the number
of non-dominated solutions, Schott’s spacing and Hypervolume indicator.

$$en!!