بهینه‌سازی زمان‌بندی وظایف با بهبود روند الگوریتم بهینه‌سازی گرگ خاکستری چند هدفه برای مراکز داده ابری

استفاده از شبکه های ابری طی سالیان گذشته و با افزایش کاربران فعال شبکه اینترنت رشد چشمگیری داشته است. در این شبکه ها در آنِ واحد درخواستهایی از طرف کاربران جهت ذخیره سازی و یا اجرای یک برنامه کاربردی دریافت میشود که ممکن است بار پردازشی متفاوتی با یکدیگر داشته باشند. یکی از مهمترین چالشها در شبکه های ابری، افزایش توان عملیاتی در کنار کاهش زمان انتظار پردازنده در پردازش کارها میباشد. الگوریتم پایه استفاده شده در روش پیشنهادی، گرگ خاکستری می باشد. یکی از مشکلات این الگوریتم ، گرفتار آمدن در بهینه محلی است . در این پژوهش سعی شده است ، الگوریتمی جهت پردازش وظایف در شبکه های ابری ارائه شود. که متد بکار رفته در این تحقیق استفاده از پارامتر تعادل و همچنین پردازش ها به پردازنده بصورت انحصاری می باشد که تاحد زیادی سبب کاهش زمان انتظار کل شبکه گردیده است . با توجه به نتایج به دست آمده، روش پیشنهادی می تواند توازن را در بردارهای پردازشی برقرار نموده و زمان بازگشت کار را به کمترین میزان خود برساند. تابع تناسب استفاده شده در این الگوریتم بر اساس قدرت پردازنده ها پیش از توزیع وظایف میباشد که بر همین اساس زمان انتظار هریک بیش از 10% نسبت به دیگر روش ها کاهش داشته است که یک عملکرد مناسب به حساب می آید.

task scheduling optimization by improving the process of multi-objective gray wolf optimization algorithm for cloud data centers

cloud networks have grown significantly over the past years with the increase of active internet users. in these networks, at the same time, requests are received from users to store or run an application that may have different downloads. one of the most important challenges in cloud networks is to increase the throughput while reducing the waiting time in processing tasks. the basic algorithm used in the proposed method is the gray wolf. one of the problems of this algorithm is getting stuck in the local optimum. in this research, it has been tried to provide an algorithm to perform tasks in cloud networks. which is the method used in this research to use the ratio between and also the processes to the processor exclusively, which has greatly reduced the waiting time of the entire network. according to the obtained results, the proposed method can balance the processing vectors and reduce the time to its minimum. the fitness function used in this algorithm is based on the strength of the powers before the execution of the tasks, according to which the waiting time of each has been reduced by more than 10% compared to the other method, which is considered a good performance.