دانلود مقاله و خرید ترجمه:الگوریتم زمانبندی انجام وظایف براساس الگوریتم ژنتیکی و  بهینه سازی کلونی مورچه در محاسبات ابری - 2014
بلافاصله پس از پرداخت دانلود کنید

با سلام خدمت کاربران در صورتی که با خطای سیستم پرداخت بانکی مواجه شدید از طریق کارت به کارت (6037997535328901 بانک ملی ناصر خنجری ) مقاله خود را دریافت کنید (تا مشکل رفع گردد). 

مقالات ترجمه شده محاسبات ابری ( Cloud Computing )
  • A task scheduling algorithm based on genetic algorithm and ant colony optimization in cloud computing الگوریتم زمانبندی انجام وظایف براساس الگوریتم ژنتیکی و بهینه سازی کلونی مورچه در محاسبات ابری

    دسته بندی:

    محاسبات ابری - Cloud Computing


    سال انتشار:

    2014


    ترجمه فارسی عنوان مقاله:

    الگوریتم زمانبندی انجام وظایف براساس الگوریتم ژنتیکی و بهینه سازی کلونی مورچه در محاسبات ابری


    عنوان انگلیسی مقاله:

    A task scheduling algorithm based on genetic algorithm and ant colony optimization in cloud computing


    منبع:

    IEEE, 2014 13th International Symposium on Distributed Computing and Applications to Business, Engineering and Science


    نویسنده:

    Chun-Yan LIU, Cheng-Ming ZOU,Pei WU


    چکیده انگلیسی:

    An efficient approach to task scheduling algorithm remains a long-standing challenge in cloud computing. In spite of the various scheduling algorithms proposed for cloud environment, those are mostly improvements based on one algorithm.And it’s easy to overlook limitations of the algorithm itself. Aiming at characteristics of task scheduling in cloud environment, this paper proposes a task scheduling algorithm based on genetic-ant colony algorithm. We take the advantage of strong positive feedback of ant colony optimization (ACO) on convergence rate of the algorithm into account.But the choice of the initial pheromone has a crucial impact on the convergence rate. The algorithm makes use of the global search ability of genetic algorithm to solve the optimal solution quickly, and then converts it into the initial pheromone of ACO. The simulation experiments show that under the same conditions, this algorithm overweighs genetic algorithm and ACO, even has efficiency advantage in large-scale environments. It is an efficient task scheduling algorithm in the cloud computing environment.
    Keywords: cloud computing | task scheduling | genetic algorithm | ant colony optimization


    چکیده فارسی:

    روش های موثر برای الگوریتم های زمانبندی انجام وظایف، با چالش طولانی مدتی در محاسبات ابری همراه بوده اند. با وجود الگوریتم های زمانبندی مختلف پیشنهاد شده برای محیط ابری، ان ها بیشتر براساس یک الگوریتم بهبود می یابند؛ و مسلط بودن و غلبه بر محدودیت های خود الگوریتم اسان است. به منظور تعیین خصوصیات زمانبندی انجام وظیفه در محیط ابری، این مقاله الگوریتم زمانبندی انجام وظیفه را براساس الگوریتم کلونی مورچه- الگوریتم ژنتیکی پیشنهاد می کند. ما از فیدبک مثبت و دقیق بهینه سازی کلونی مورچه (ACO )و توجه به سرعت همگرایی الگوریتم بهره مند می شویم. ولی انتخاب فرومون اولیه تاثیر مهمی بر سرعت همگرایی دارد. الگوریتم از قابلیت جستجوی کامل الگوریتم ژنتیکی برای یافتن جواب مناسب استفاده می کند، و سپس ان را به فرومون اولیه ACO تبدیل می کند. ازمایش های شبیه سازی نشان می دهند که تحت شرایط مشابه، این الگوریتم عملکرد بهتری نسبت به الگوریتم ژنتیکی و ACO دارد، حتی در محیط های مقیاس-بزرگ، دارای کارایی است. این الگوریتم یک الگوریتم بهینه زمانبندی انجام وظیفه در محیط محاسبات ابری است.
    کلمات کلیدی: محاسبات ابری | زمانبندی انجام وظیفه | الگوریتم ژنتیکی | بهینه سازی کلونی مورچه


    سطح: متوسط
    تعداد صفحات فایل pdf انگلیسی: 5
    تعداد صفحات فایل doc فارسی(با احتساب مراجع): 16

    وضعیت ترجمه عناوین تصاویر و جداول: به صورت کامل ترجمه شده است

    وضعیت ترجمه متون داخل تصاویر و جداول: به صورت کامل ترجمه شده است

    حجم فایل: 121 کیلوبایت


    قیمت: 32400 تومان   


    توضیحات اضافی:




اگر این مقاله را پسندیدید آن را در شبکه های اجتماعی به اشتراک بگذارید (برای به اشتراک گذاری بر روی ایکن های زیر کلیک کنید)

تعداد نظرات : 0

الزامی
الزامی
الزامی
rss مقالات ترجمه شده rss مقالات انگلیسی rss کتاب های انگلیسی rss مقالات آموزشی
logo-samandehi
بازدید امروز: 4249 :::::::: بازدید دیروز: 3097 :::::::: بازدید کل: 38516 :::::::: افراد آنلاین: 52