صورت idle یا بیکار در می آیند.بنابراین تکمیل زمان اجرایی metatask ها ممکن است با تاخیر مواجه شود.بنابراین کارآیی و قابلیت استفاده منابع می تواند بهبود یابد.
علاوه بر این هزینه پایین و کارآیی بالا و سرویس های امن برای استفاده کننده ها مطلوب است.منابع در گرید به صورت همگن در سازمانهای مختلف،استراتژی های مدیریت منابع مختلف دارند بنابراین هزینه ها برای منابع متفاوت از قوانین متفاوت تبعیت می کند.عموماً بحث درباره هزینه وابسته به زمان اجرایی می باشد.
منابع با زمان اجرایی کوتاهتر نیاز به صرف هزینه بالایی دارند.در metataskها هر task مکانیزم های دستیابی به منابع متفاوت دارد و هزینه ها تحت مکانیزمهای متفاوت یکسان نیست.بنابراین در این قسمت تمرکز بر روی چگونگی نگاشت می باشد.
زمانی که Ti بر روی ماشین mj اجرا می شود،فرض کنیمETC(Ti,mj) زمان محاسباتی باشد و CoST(Ti,mj) هزینه باشد.و R یک ماتریس t×µ با عناصر ۰و۱ باشد و rj یک باشد یعنی task،Ti توسط ماشین mj اجرا می شود و در غیر اینصورت rj برابر صفر می شود.برای یک مکانیزم با R سطر ماتریس زمانبندی به صورت makespan Z1 و Cost Z2 به صورت زیر تعریف می شود:
فرض Ω ماتریس زمانبندی و S همه فضاهای راه حل زمانبندی باشد ارتباط مجموعه Ω و S نگاشت ۱-۱ می باشد.بنابراین ماتریس t×µ شامل زمانبندی بهینه می شود و مساله بهینه سازی معادل با یافتن زمانبندی Z1وZ2 تحت محدودیت ها می باشد.
در این قسمت ما استراتژی سلسله مراتبی برای بهینه سازی مجموعه زمانبندی که مینیمم Z1 توسط الگوریتم تولید می شود و سپس جستجوی زمانبندی با مینیمم Z2 مجموعه زمانبند کاندید می باشد.
۴-۲ استفاده از الگوریتم ژنتیک برای کاربردهای وسیع در گریدهای همگن برای زمانبندی بهینه منابع[۳]
محیط جغرافیایی توزیع یافته گرید برای تامین و محاسبه منابع گرید در سطح گریدهای سلسله مراتبی و توزیع یافته نیاز به platform محاسباتی قوی دارد.تا بحال بدلیل ارتباطات و سربار زمانبندی بین سایت ها و اجرای موازی مشکلاتی را ایجاد کرده است.در همان زمان بهینه منابع ارایه شده است که یکی از آنها استفاده از الگوریتم ژنتیک می باشد.
مساله نگاشت مجموعه ای از taskهای تکراری به مجموعه ای از منابع محاسباتی همگن یک مساله NP-Complete کامل می باشد.مقایسه الگوریتم آگاهانه زیاد در این زمینه نشان داده است که الگوریتم ژنتیک از سایر الگوریتم ها می تواند کارا باشد،که الگوریتم ژنتیک برای این زمانبندی بهینه نیاز به Clustering(خوشه بندی)و محدود کردن گراف task ها به منظور ارتباطات برای کاهش سربار زمانبندی مناسب است.بخش بندی همچنین می تواند به مدل های همگن بپردازد.نگرش ما تکنیک هایی در این قسمت ما به مزایای مدیریت سلسله مراتبی منابع محیط گرید برای توسعه الگوریتم نگاشت توزیع یافته می پردازیم،گریدهای محاسباتی مانند درخت ها برای خوشه بندی جغرافیایی نشان می دهد.هر cluster(خوشه) در کنترل administrative که دامنه کنترل عاملها نامیده می شود.یک دید از زمانبندی برای خوشه بندی و زمانبندی ارایه می کند که در این قسمت درخت نگاشت توزیع یافته پیشنهاد می شود.گام اول تولید task ها برای خوشه ها و ارتباطات سطح بالا برای گروهی از درخت های متداول می باشد.درخت مورد نظر از task های cluster که dendrogram نامیده می شود،تشکیل شده است.
در گام دوم از الگوریتم ژنتیک برای نگاشت خوشه برای taskهای در دسترس برای منابع cluster استفاده می شود.در گام سوم از یک زمانبند به صورت الگوریتم تکراری برای خاتمه الگوریتم استفاده می شود.