ارائه الگوریتم فرا ابتکاری جدید بر اساس جستجوی ممنوعه برای حل مسئله زمانبندی وظایف در سیستم مبتنی بر محاسبات ابری و مه
Publish place: Journal Of Modeling in Engineering، Vol: 18، Issue: 62
Publish Year: 1399
نوع سند: مقاله ژورنالی
زبان: Persian
View: 359
This Paper With 17 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_JME-18-62_002
تاریخ نمایه سازی: 11 مهر 1400
Abstract:
در جهان امروز با گسترش ارتباطات، حجم داده ها و نیاز به پردازش آن ها در زمان کم و با سرعت بالا افزایش یافته. از طرفی انجام این حجم از محاسبات نیازمند سیستم ها با ظرفیت های پردازشی و ذخیره سازی بالا و در نتیجه هزینه ی بالا است. بنابراین، پیشنهاد یک زیرساخت مناسب و مقرون به صرفه می تواند بسیار قابل توجه باشد. در این مقاله هدف طراحی و ایجاد یک زیرساخت با هزینه و زمان پاسخ پایین با استفاده از رایانش ابری و مه است. علاوه بر این، یکی از مسائل مهم برای ایجاد چنین سیستم هایی با سرعت بالا و حداقل زمان، تخصیص مناسب منایع سیستم به درخواست های کاربران و در نتیجه تعادل بار در سیستم است. در میان متدهای فراابتکاری گوناگون، جستجوی ممنوعه به دلیل گسترش زیاد آن در مسائل بهینه سازی مختلف و همچنین ویژگی حافظه دار بودن و سرعت بالا، آن را به یک روش رایج تبدیل کرده است. بنابراین، در این مقاله یک روش جدید فراابتکاری مبتنی بر جستجوی ممنوعه پیشنهاد می شود که با استفاده از روش های تقریب نزدیکترین همسایگی و جستجوی مگس میوه بهینه سازی می شود. برای ارزیابی روش پیشنهادی، یک مطالعه موردی روی خانه های هوشمند با زیرساخت پیشنهادی و با داده های واقعی شبیه سازی شده است. هر دو روش در این زیرساخت اجرا شده و کارایی آن ها بر اساس زمان اجرا و حافظه ی مصرفی محاسبه شده که نتایج نشان دهنده توانایی و کارایی بالای روش پیشنهادی برای به کارگیری در مسائل گوناگون است.
Keywords:
رایانش ابری , زمانبندی وظایف , خانه هوشمند , سیستم مدیریت انرژی خانه , جستجوی ممنوعه , پلتفرم ابر-مه
Authors
سیده سمیرا محمدی
گروه مهندسی کامپیوتر،واحد تهران جنوب،دانشگاه آزاد اسلامی، تهران، ایران
محمود دی پیر
دانشکده کامپیوتر
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :