دانلود مقاله ISI انگلیسی شماره 108350
ترجمه فارسی عنوان مقاله

الگوریتم تکاملی مبتنی بر زاویه بهبود یافته با استفاده از کاربردهای گوناگون برنامه ریزی گردش کار ابری

عنوان انگلیسی
User-oriented many-objective cloud workflow scheduling based on an improved knee point driven evolutionary algorithm
کد مقاله سال انتشار تعداد صفحات مقاله انگلیسی
108350 2017 24 صفحه PDF
منبع

Publisher : Elsevier - Science Direct (الزویر - ساینس دایرکت)

Journal : Knowledge-Based Systems, Volume 135, 1 November 2017, Pages 113-124

ترجمه کلمات کلیدی
پردازش ابری، برنامه گردش کار ابری، بسیاری از مشکلات بهینه سازی هدف، الگوریتم تکاملی مبتنی بر نقطه زاویه،
کلمات کلیدی انگلیسی
Cloud computing; Cloud workflow scheduling; Many-objective optimization problems; Knee point driven evolutionary algorithm;
ترجمه چکیده
محاسبات ابر قادر به ارائه مقدار زیادی از منابع محاسباتی در تقاضا است، و آن را تبدیل به یکی از موثر ترین راه برای اجرای برنامه های کاربردی در محاسبات گسترده در مقیاس بزرگ است. در محیط محیط ابر، برنامه ها به طور معمول شامل گردش کار هستند. بنابراین، برنامه ریزی گردش کار بهینه سازی می تواند به طور کلی عملکرد کلی ابر محاسبات را بهبود بخشد. با این حال، مطالعات موجود در مورد برنامه ریزی گردش کار ابر تنها در بیشتر از سه هدف تنها در نظر گرفته می شوند و روش های موثر برای حل مشکلات برنامه ریزی با چهار یا بیشتر اهداف هنوز وجود دارد. برای حل این مسئله، یک مدل زمانبندی جدید جریان ابری فرموله شده است که به طور همزمان چهار هدف را شامل می شود: حداقل سازی ماتریس، حداقل زمان متوسط ​​اجرای تمام پرونده های کاری، حداکثر قابلیت اطمینان و به حداقل رساندن هزینه اجرای عملیات کاری. برای حل این مشکل زمانبندی چهارگانه، الگوریتم تکاملی پیشرفته زانو پیشنهاد شده است. نتایج تجربی گسترده نشان می دهد که الگوریتم بهبود یافته الگوریتم های پیشرفته محبوب بسیاری از اهداف محبوب را در اغلب سناریوهای تجربی مورد مطالعه در این کار، به ویژه هنگامی که مقدار زیادی از منابع محاسباتی تامین شده است و زمان برنامه ریزی محدود است.
پیش نمایش مقاله
پیش نمایش مقاله  الگوریتم تکاملی مبتنی بر زاویه بهبود یافته با استفاده از کاربردهای گوناگون برنامه ریزی گردش کار ابری

چکیده انگلیسی

Cloud computing is able to deliver large amount of computing resources on demand, and it has become one of the most effective ways to implement large-scale computationally intensive applications. In a cloud computing environment, applications typically involve workflows. Therefore, optimized workflow scheduling can greatly improve the overall performance of cloud computing. However, existing studies on cloud workflow scheduling usually consider at most three objectives only and effective methods to solve scheduling problems with four or more objectives still lack. To address the above issue, a new cloud workflow scheduling model is formulated that simultaneously considers four objectives, namely, minimization of makespan, minimization of the average execution time of all workflow instances, maximization of reliability, and minimization of the cost of workflow execution. To solve this four-objective scheduling problem, an improved knee point driven evolutionary algorithm is proposed. Extensive experimental results demonstrate that the improved algorithm outperforms existing popular many-objective evolutionary algorithms in most experimental scenarios studied in this work, in particular when there is sufficiently large amount of computing resource supply and the time for scheduling is limited.