ترجمه مقاله وظیفه بهینه سازی برنامه ریزی در رایانش ابری بر اساس الگوریتم اکتشافی
| دسته بندی | مهندسی کامپبوتر و فناوری اطلاعات |
| بازدید ها | 39 |
| فرمت فایل | doc |
| حجم فایل | 1340 کیلو بایت |
| تعداد صفحات فایل | 17 |
ترجمه مقاله وظیفه بهینه سازی برنامه ریزی در رایانش ابری بر اساس الگوریتم اکتشافی در 17 صفحه فارسی ورد قابل ویرایش با فرمت doc به همراه اصل مقاله انگلیسی
عنوان فارسی :
وظیفه بهینه سازی برنامه ریزی در رایانش ابری بر اساس الگوریتم اکتشافی
عنوان انگلیسی :
Task Scheduling Optimization in Cloud Computing Based on Heuristic Algorithm
تعداد صفحات فارسی : 17 صفحه ورد قابل ویرایش
سطح ترجمه : متوسط
شناسه کالا : broo
دانلود رایگان مقاله انگلیسی : http://ofmas.ir/dlpaper/broo.pdf
دانلود ترجمه فارسی مقاله : بلافاصله پس از پرداخت آنلاین 14 هزار و 500 تومان قادر به دانلود خواهید بود .
بخشی از ترجمه :
چکیده
محاسبات ابری تکنولوژی در حال ظهور بوده و اجازه می دهد تا کاربران به عملکرد بالایی در این زمینه دست پیدا کنند . محاسبات ابری یک سیستم ناهمگن است و همچنین مقدار زیادی از اطلاعات نرم افزاری را در خود ذخیره می کند . در این روند برنامه ریزی برای بعضی داده های فشرده و یا محاسبه یک برنامه فشرده خواهد بود و بیان می کند که بهینه سازی زمان انتقال و پردازش به یک برنامه کاربردی بسیار مهم نیاز دارد . در این مقاله به منظور به حداقل رساندن هزینه های پردازش ما تدوین و فرموله کردن مدل را برای برنامه ریزی کار و بهینه سازی ازدحام ذرات (PSG) الگوریتم داریم که در آن ارزش موقعیت بر اساس قوانین ارائه شده است. به موجب مقایسه الگوریتم PSG با الگوریتم PSG جاسازی شده در Crossover و Mutation و در تحقیق محلی، نتایج آزمایش نشان می دهد که الگوریتم PSG نه تنها سریعتر همگرا می شود بلکه سریع تر از دو الگوریتم های دیگر در مقیاس بزرگ اجرا می شود .
Abstract
Cloud computing is an emerging technology and it allows users to pay as you need and has the high performance. Cloud computing is a heterogeneous system as well and it holds large amount of application data. In the process of scheduling some intensive data or computing an intensive application, it is acknowledged that optimizing the transferring and processing time is crucial to an application program. In this paper in order to minimize the cost of the processing we formulate a model for task scheduling and propose a particle swarm optimization (PSO) algorithm which is based on small position value rule. By virtue of comparing PSO algorithm with the PSO algorithm embedded in crossover and mutation and in the local research, the experiment results show the PSO algorithm not only converges faster but also runs faster than the other two algorithms in a large scale. The experiment results prove that the PSO algorithm is more suitable to cloud computing.