زمان‌بندی وظایف با استفاده از الگوریتم ترکیبی pso-iwd در محیط‌های محاسبات ابری با منابع ناهمگن

زمان‌بندی بهینه وظایف یکی از مهمترین چالش‌ها برای دست‌یابی به عملکرد مطلوب در محیط‌های توزیع‌شده مانند محاسبات ابری است. هدف از زمان‌بندی وظایف، تخصیص وظایف به منابع پردازشی است بگونه‌ای که برخی از معیارهای عملکردِ سیستم مانند زمان اجرا یا توازی بهینه شوند. زمان‌بندی وظایف یک مسئله npکامل است، از این رو از الگوریتم‌های اکتشافی یا فرااکتشافی برای حل آن استفاده می‌شود. چون ارائه‌دهندگان ابر، منابع محاسباتی را بر مبنای مدل »پرداخت به میزان استفاده « ارائه می‌کنند، الگوریتم زمان‌بندی وظایف بشدت هزینه کاربران در ابر را تحت تاثیر قرار می‌دهد. در این مقاله یک الگوریتم زمان‌بندی وظایف جدید بر اساس بهینه‌سازی ازدحام ذرات بعنوان یک روش فرااکتشافی پیشنهاد می‌شود که وظایف کاربران را به منابع آزاد در محیط‌های محاسبات ابری تخصیص می‌دهد. برای تقویت عملکرد روش بهینه‌سازی ازدحام ذرات از نظر سرعت همگرایی الگوریتم قطره‌های آب هوشمند اِعمال می‌شود. نتایج اجرای این الگوریتم روی گراف‌های تصادفی، بهبود قابل توجه کاراییِ روش پیشنهادی در مقایسه با سایر الگوریتم‌های زمان‌بندی وظایف را نشان دادند.

Task Scheduling Using the PSO-IWD Hybrid Algorithm in Cloud Computing with Heterogeneous Resources

Optimal Task Scheduling is one of the most important challenges for achieving high performance in distributed environments such as cloud computing. The primary purpose of task scheduling is to allocate tasks to resources so that some of the system performance metrics will be optimized such as runtime or parallelism. Task scheduling is an NPcomplete problem, so heuristic or methaheuristic algorithms are used to solve it. Because cloud providers offer computing resources based on the payasyougo model, the scheduling algorithm affects the users cost of the cloud. In this paper, a new cloud task scheduling algorithm based on particle swarm optimization as a methaheuristic method is proposed that assigns users tasks to free resources in cloud computing environments. To enhance the convergence rate of the particle swarm optimization method, the intelligent water drops algorithm is applied. The results of this algorithm on random graphs showed a significant improvement in the performance of the proposed method compared to other task scheduling algorithms.