مرور و مقایسه الگوریتمهای فرا اکتشافی برای ترکیب خدمات در رایانش ابری

Publish Year: 1395
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 632

This Paper With 11 Page And PDF Format Ready To Download

  • Certificate
  • من نویسنده این مقاله هستم

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این Paper:

شناسه ملی سند علمی:

COMCONF02_027

تاریخ نمایه سازی: 5 بهمن 1395

Abstract:

امروزه اینترنت به عنوان یک تکنولوژی پیشرفته عنصر جدایی ناپذیر زندگی بشر محسوب میشود و تأثیر غیر قابل انکاری بر روی عصر کنونی دارد. با پیشرفتی که فناوری اطلاعات و ارتباطات، در سالهای اخیر داشته، مردم قادر هستند نیازهایمحاسباتی خود را بدون صرف هزینه زیاد انجام دهند. برای این منظور راهکارهای مختلفی ارائه شده است که آخرین و محبوبترین آنها رایانش ابری است. رایانش ابری به عنوان روش جدیدی از محاسبات مطرح میشود که در آن منابع مقیاسپذیر هستند و اغلب به صورت مجازی خدمتی را با استفاده از بستر اینترنت فراهم میکنند. در رایانش ابری چالشهای زیادی وجود دارد اما چالش مورد مطالعه در این مقاله بحث ترکیب خدمات ابری است. خدمات مرکب یا ترکیب شده از مجموعهایاز وظایف یا خدمتهای انتزاعی یا منفرد تشکیل شده است که این خدمتها به هم متصل شده و میتوانند کار به خصوصی را انجام دهند. روش های ترکیب خدمات ابری در دو محیط تک ابری و چند ابری ارائه شده اند که در محیط های تک ابری سودی که از بقیه ابرها میرسد نادیده گرفته میشود. در این مقاله برخی از الگوریتمهای فرا اکتشافی ارائه خواهد شد و چگونگی ترکیب شدن خدمات ابری توسط این الگوریتمها بررسی و به مقایسه این الگوریتمها با هم پرداخته خواهد شد. نتایج حاصل کارآیی این الگوریتمها را نسبت به همدیگر در ضوابط مختلف نشان خواهد داد.

Authors

سعید اصغری

گروه مهندسی کامپیوتر، واحد تبریز، دانشگاه آزاد اسلامی، تبریز، ایران

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 :
  • M. Abu Sharkh, M. Jammal, A. Shami, and A. Ouda, ...
  • M. Dorigo and T. Stitzle, "The _ colony optimization metaheuuristiت ...
  • N. J. Navimipour and B. Zareie, "A model for assessing ...
  • I. Foster, Y. Zhao, _ Raicu, and S. Lu, "Cloud ...
  • S. Asghari and N. J. Navimipour, "Review and Comparison of ...
  • P. Mell and T. Grance, "The NIST definition of cloud ...
  • N. J. Navimipour, A. H. Navin, A. M. Rahmani, and ...
  • C. Seo, Y. Han, H. Lee, and C. Lee, _ ...
  • S. Marston, Z. Li, S. Ba ndyopadhyay, J. Zhang, and ...
  • W. Wang, G. Zeng, D. Tang, and J. Yao, "Cloud-DLS: ...
  • R. Tang , Y. Yue, X. Ding, and Y. Qiu, ...
  • M. P. Papazoglou, P. Traverso, S. Dustdar, and F. Leymann, ...
  • D. Wang, Y. Yang, and Z. Mi, "A genetic-based approach ...
  • G. A .E.-N. A. Said, A. M. Mahmoud, and E.-S. ...
  • H. Holland, Adptotion in noturdl ond artificiol systems: _ introductory ...
  • N. J. Navimipour and L. NM. Khanli, "The LGR method ...
  • M. Gen and R. Cheng, Genetic algorithms and engineering optimization ...
  • N. J. Navimipour and A. M. Rahmani, "The New Genetic ...
  • M. Dorigo and M. Birattari, "Ant colony optimization, " in ...
  • S. K. Cheung, H. Yang, J. Fong, and R. Kwan, ...
  • R. A. DeVore and V N. Temlyakov, "Some remarks _ ...
  • Bang-Jensen, G. Gutin, and A. Yeo, "When the greedy algorithm ...
  • V. G. Ivancevic and T. T. Ivancevic, Compu totional mind: ...
  • Kennedy, "Particle SWarm optimization, " in Encyclopedia of Machine Learning, ...
  • Kennedy, "The particle Swarm :social adaptation of knowledge, " in ...
  • Kennedy, J. F. Kennedy, R. C. Eberhart, andY. Shi, Swarm ...
  • D. Ruan and D. Ruan, Computotional intelligence in complex decision ...
  • Q. Yu, L. Chen, and B. Li, "Ant colony optimization ...
  • S. Ludwig, "Applying particle swarm optimization to qua _ ity-of-service-d ...
  • H. W .Kuhn, "The Hungarian method for the assignment problem, ...
  • M. Klusch and A. Gerber, "Fast composition planning of owl-s ...
  • R. Hassan, B. Cohanim, O. De Weck, and G. Venter, ...
  • نمایش کامل مراجع