QGMM

 

 

 

 

۱۸٫۳

 

 

۲۲

 

 

h 2

 

 

h 3

 

 

h 1

 

 

h 1

 

 

Proposed

 

 

 

 

 

در جدول ۳ نشان داده شده الگوریتم min-max آگاهانه برای makespan برای ۲۴ و مقدار پیشنهادی برای makespan برای ۲۲ در همان زمان،هزینه اجرایی را به ۲۳٫۱ دلار کاهش می دهد.با مقایسه راه حل های نگاشت الگوریتم QGMM،task های T3,T4 بر روی ماشین ها h2,h3 زمانی که نگاشت تنظیم می شود.بعد از تنظیم makespan هزینه کاهش پیدا می کند.نتایج نشان می دهد که مینیمم هزینه اجرایی کمتر از زمان اجرایی است.
فصل سوم:
شرح مطالب و روش پیشنهادی
بکارگیری الگوریتم ژنتیک جهت بهینه سازی زمانبندی منابع در سیستمهای Grid مبتنی بر بازار
۳-۱ روش پیشنهادی
۳-۱-۱ استفاده از الگوریتم ابتکاری ژنتیک جهت بهینه سازی زمانبندی منابع در محیط گرید
مقدمه:روش های زمانبندی متمرکزوتوزیع شده برای زمانبندی منابع هر دو دارای مشکلاتی برای میباشند برای رفع این مشکلات وبهینه سازی زمانبندی از الگوریتم های ژنتیک وشبیه سازی سردکردن تدریجی جهت بهینه سازی مساله زمانبندی منابع در محیط گرید میتوان استفاده کرد.
بهینه سازی زمانبندی فرایند یافتن یک برنامه زمانبندی بهینه یا نزدیک به بهینه در قالب مجموعه ای ازکارها وماشینهای پردازشگر است مساله نگاشت کارها به ماشینهای پردازشگر یک مساله با درجه پیچیدگی نمایی است الگوریتمهای ابتکاری وخلاقانه مانند ژنتیک میتوانند جهت بهینه نمودن زمانبندی برای زمانبندی منابع در گرید به کار روند.
۳-۱-۲ روش کار با الگوریتم ژنتیک جهت بهینه سازی زمانبندی منابع در محیط گرید
چکیده:الگوریتم های ژنتیک متدهایی تطبیق پذیر هستند که اصولا میتوانند جهت حل مسایل بهینه استفاده شوند.میتوان از الگوریتمهای ژنتیک جهت جستجوی فضای پاسخ برای یافتن برنامه های زمانبندی بهینه منابع در محیط گرید استفاده کرد.
یکی از روشهای استفاده از الگوریتمهای ژنتیک جهت بهینه سازی زمانبندی منابع در محیط گرید این است که در ابتدا زمانبندی ابتدایی تولید می گردند .سپس این برنامه ها ی زمانبندی ابتدایی با معیارهای کارایی وکیفیت سرویس ارزیابی میشوندومناسب ترین آنها انتخاب میگردد وبایکدیگر توسط عملگرها ترکیب میشوند تا مجموعه ای از راه حلها تشکیل گردند این روش به صورت تکرار شونده ادامه پیدا میکند ودر هر مرحله از روی برنامه های زمانبندی مناسب تولید شده نسل جدیدی از برنامه های زمانبندی مناسب تر تولید میشود خاتمه الگوریتم زمانی است که نسل جدید تولیدی پیشرفت قابل ملاحظه ای از لحاظ بهینه بودن نسبت به نسل قبلی نداشته باشد.
GA()
{
Generate initial population of Jobs individuals Evaluate individuals according to fitness function;
While stopping condition is satisfied.
{
Count from 1 to amount generation;
Select two parents from initial population(PopulationParent1 and Parent2);
Crossover(Parent1 and Parent2)Child;
Mutation(Parent p,parentq,child);
Fitness(Child c,Best Chromosome bc);
Improvement(Child c);
Replace(Chromosome chrom,Child c);
Scheduling(best chromosome);
}
}return set of the best chromosome in population for jobs scheduling.
الگوریتم ژنتیک برای زمانبندی بهینه در سیستمهای گرید نیاز به تعریف مولفه های زیر دارد:

موضوعات: بدون موضوع  لینک ثابت