ارائه مدل ترکیبی زمان‌بندی وظایف براساس الگوریتم تطبیقی پویا و ژنتیک در محیط رایانش ابری

رایانش ابری مفهومی است که اخیراً در دنیای فناوری اطلاعات معرفی شده که محیطی را برای به اشتراک‌گذاری منابع فراهم می‌نماید. در محیط رایانش ابری یک سیستم زمانبندی کارا و موثر، نقش کلیدی دارد و در میزان موفقیت آن محیط بسیار تعیین‌کننده می‌باشد. از این‌رو مساله‌ زمان‌بندی وظایف در رایانش ابری، مساله‌‌ای بسیار مهمی محسوب می‌شود که سعی دارد یک زمان‌بندی بهینه برای اجرای وظایف و تخصیص منبع بهینه مشخص نماید. این پژوهش با هدف ارائه رویکردی جدید برای بهینه‌سازی زمان‌بندی وظایف براساس ترکیبی از الگوریتم تطبیقی پویا و الگوریتم ژنتیک در محیط رایانش ابری انجام گرفته است. مدل ترکیبی، با هدف پوشش‌دادن نقاط ضعف دو الگوریتم ژنتیک و زمان‌بندی تطبیقی پویا، ارائه شد که به موجب آن ضعف الگوریتم ژنتیک یعنی سرعت عمل پایین، با ایجاد یک راه‌حل اولیه مناسب برطرف گردید و همچنین ضعف الگوریتم زمان‌بندی تطبیقی پویا که همانا به دام افتادن در جواب‌های محلی است، با استفاده از الگوریتم بهینه‌سازی تکاملی پوشش داده شد. در مدل پیشنهادی نخست الگوریتم تطبیقی پویا با تکنیک جستجوی منابع مورد نیاز به کمک درخت کی‌دی و بازیابی داده‌ها به صورت موازی توانسته است در زمان بسیار خوبی جواب مناسبی برای مساله‌ی زمان‌بندی پیدا کند، که به‌عنوان جواب اولیه به الگوریتم ژنتیک سپرده شد و الگوریتم ژنتیک نیز به جستجوی بهینه می‌پردازد. در نتیجه الگوریتم نهایی حاصل از ترکیب این دو، توازن بار بهتری برای منابع ابری در مدت زمان نسبتاً قابل قبول ارائه می‌دهد.

Task Scheduling Algorithm Based on the Genetic Algorithm and Dynamic Adaptive Scheduling in a Cloud Computing Environment

Cloud computing is a concept introducing in the world of information technology recently, and provides an environment for sharing sources. In this environment, an efficient and effective scheduling system plays a fundamental role. Hence, the problem of scheduling tasks in cloud computing is a very important issue, which tries to identify an optimal scheduling for performing tasks and allocating an optimal source. The purpose of this research is to provide a new hybrid model for optimization of scheduling tasks based on combination of dynamic adaptive and genetic algorithms in a cloud computing environment. The hybrid model aimed to cover the defects of these algorithms. Based on this model, an initial solution was presented for resolving the weakness of the genetic algorithm, the action of low speed as well as the weakness of the dynamic adaptive algorithm, trapping in local answers. In the proposed model, first, dynamic adaptive algorithm could find an appropriate solution for scheduling problem within a good time using the technique of searching required resources by KD tree and data retrieval in parallel. This solution, as an initial answer, was given to the genetic algorithm, and this algorithm performed the optimal research. As a consequence, the final algorithm, a combination of these two algorithms, provides a better load balancing for cloud resources in a relatively acceptable time.