ارائه الگوریتم فرا ابتکاری جدید بر اساس جستجوی ممنوعه برای حل مسئله زمانبندی وظایف در سیستم مبتنی بر محاسبات ابری و مه

در جهان امروز با گسترش ارتباطات، حجم داده ها و نیاز به پردازش آن ها در زمان کم و با سرعت بالا افزایش یافته. از طرفی انجام این حجم از محاسبات نیازمند سیستم ها با ظرفیت های پردازشی و ذخیره سازی بالا و در نتیجه هزینه ی بالا است. بنابراین، پیشنهاد یک زیرساخت مناسب و مقرون به صرفه می تواند بسیار قابل توجه باشد. در این مقاله هدف طراحی و ایجاد یک زیرساخت با هزینه و زمان پاسخ پایین با استفاده از رایانش ابری و مه است. علاوه بر این، یکی از مسائل مهم برای ایجاد چنین سیستم هایی با سرعت بالا و حداقل زمان، تخصیص مناسب منایع سیستم به درخواست های کاربران و در نتیجه تعادل بار در سیستم است. در میان متدهای فراابتکاری گوناگون، جستجوی ممنوعه به دلیل گسترش زیاد آن در مسائل بهینه سازی مختلف و همچنین ویژگی حافظه دار بودن و سرعت بالا، آن را به یک روش رایج تبدیل کرده است. بنابراین، در این مقاله یک روش جدید فراابتکاری مبتنی بر جستجوی ممنوعه پیشنهاد می شود که با استفاده از روش های تقریب نزدیکترین همسایگی و جستجوی مگس میوه بهینه سازی می شود. برای ارزیابی روش پیشنهادی، یک مطالعه موردی روی خانه های هوشمند با زیرساخت پیشنهادی و با داده های واقعی شبیه سازی شده است. هر دو روش در این زیرساخت اجرا شده و کارایی آن ها بر اساس زمان اجرا و حافظه ی مصرفی محاسبه شده که نتایج نشان دهنده توانایی و کارایی بالای روش پیشنهادی برای به کارگیری در مسائل گوناگون است.

A New Meta-Heuristic Algorithm Based on Tabu Search for the Job Scheduling Problem in a Fog-Cloud system

Today, with the expansion of communications and the high volume of data, the need for processing them at a low time and high speed has increased. On the other hand, conducting this high volume of computing operations requires systems with high processing and storage capacities, which increase total costs. Therefore, proposing a suitable and affordable infrastructure can be very significant. The purpose of this article is to design and build an infrastructure with low cost and low response time using cloud computing and fog computing. In addition, one of the key issues for creating such systems at a high speed and minimum time is to allocate appropriate system resources to user requests and, as a result, load balances in the system. Among the various metaheuristic methods, the Tabu search makes it a common practice because of its high expansion in various optimization issues, as well as memory and highspeed features. Therefore, in this paper, a new method based on Tabu Search is proposed that is optimized using approximate nearest neighbor (ANN) and Fruit Fly Optimization (FOA) Algorithms. Finally, to evaluate and validate the proposed method, a case study is simulated on a smart home using the proposed infrastructure and the real dataset. Both methods have been implemented in this infrastructure and their performance has been calculated based on runtime and memory consumption. The results show the capability and efficiency of the proposed method for the various problems.