وهاب امینی آذر - دانشکده مهندسی برق و کامپیوتر، دانشگاه آزاد اسلامی واحد مهاباد، مهاباد، ایران.
رسول فرحی - دانشکده مهندسی برق و کامپیوتر، دانشگاه آزاد اسلامی واحد مهاباد، مهاباد، ایران.
فاطمه دشتی - شرکت توزیع نیروی برق تبریز، تبریز، ایران.

با پتانسیل بالایی که رایانش ابری برای ذخیره سازی و پردازش داده ها، از راه دور دارد، این فناوری نمونه ای جدید از محاسبات را ارائه داده است. در محیط های ارائه دهنده خدمات ابری، ماشین های مجازی از چندین سازمان روی همان سرور فیزیکی قرار داده شده اند که باعث می شود بازده مجازی سازی به حداکثر میزان خود برسد. در چنین زیرساخت مقیاس پذیری، بدون فراهم کردن راهکارهائی جهت مدیریت بارهای ترافیکی و پخش آن­ها بین سایر گره ها، می تواند سبب ایجاد گلوگاه و ازدحام شود. درنتیجه نیاز به راهکارهایی جهت متوازن نمودن بار و پخش آن در بین سایر گره های پردازشی است. در این مقاله یک راهکار پیشرفته مبتنی بر الگوریتم ژنتیک بهینه یافته به منظور زمان بندی و ایجاد توازن بار در زیرساخت ابری ارائه می­شود، بر همین اساس پارامترهای بررسی منبع به الگوریتم اضافه شده است تا قبل از زمان بندی، وضعیت منابع نیز موردبررسی قرار گیرد. درواقع تکنیک پیشنهادی از طریق تخصیص بهینه وظایف به سرورهای پردازشی، از افزایش بیش از حد یا کم باری در سرورها جلوگیری بعمل می آورد. همچنین سرورهائی که دارای بار زیاد هستند و بعبارتی دچار ازدحام شده اند، با استفاده از مهاجرت ماشین مجازی، وظایف آن­ها به یک سرور دیگر انتقال داده می شوند تا از این طریق زمینه سازی افزایش توازن بار در زیرساخت ابری فراهم شود. در پایان راهکار پیشنهادی از طریق شبیه ساز کلودسیم و با آزمایش بر روی حجم­کار بیش از هزار ماشین مجازی بر روی داده­ها PlantLab مورد ارزیابی قرار داده شده است. نتایج حاصل از شبیه­سازی نشان می­دهد که راهکار پیشنهادی توانسته است که معیار نقض توافق­نامه سطح سرویس را در مقایسه با روش­های AMUT  و EQVS به طور میانگین به میزان ۴۶ درصد، معیار مصرف انرژی را به  طور میانگین به میزان ۱۸ درصد و معیار تعداد مهاجرت­های ماشین مجازی را  به  طور میانگین به میزان ۲۴ درصد بهبود دهد.

رایانش ابری, توازن بار, زمان بندی وظایف, الگوریتم ژنتیک