دانلود ترجمه مقاله الگوریتم برنامه ریزی وظیفه پیشرفته در فضای محاسبات ابری (Sersc ۲۰۱۶) (ترجمه ویژه – طلایی ⭐️⭐️⭐️)

این مقاله انگلیسی ISI در نشریه Sersc در ۱۰ صفحه در سال ۲۰۱۶ منتشر شده و ترجمه آن ۱۶ صفحه میباشد. کیفیت ترجمه این مقاله ویژه – طلایی ⭐️⭐️⭐️ بوده و به صورت کامل ترجمه شده است.

• فهرست مطالب:

چکیده
مقدمه
کار مرتبط
مسئله زمان بندی
بیان مسئله
الگوریتم استاندارد PSO
الگوریتم PSO
الگوریتم پیشنهادی BFPSOTS
معیار های ایست
ارزیابی عملکرد
محیط های آزمایشی
ارزیابی عملکرد
نتیجه گیری و کار آینده

• بخشی از ترجمه:

۴ – نتیجه گیری و کار آینده
مسئله زمان بندی وظیفه در این مقاله به محیط رایانش ابر مربوط می گردد . الگوریتم های BF ، PSO و TS از جمله معروف ترین موارد برای وظایف زمان بندی در محیط رایانش ابر می باشند . الگوریتم PSO اصلاح شده با هدف بهبود عملکرد الگوریتم PSO استاندارد تصادفی می باشد ( یعنی جمعیت اولیه به طور تصادفی تولید می گردد ) ، این ممکن است مسیر غلط تولید نماید . الگوریتم BF با هدف حل این موقعیت درون الگوریتم PSO استاندارد برای تولید جمعیت اولیه ادغام می شود تا به انتخاب اولیه خوب دست یابد . از طرف دیگر ، الگوریتم TS با الگوریتم PSO ادغام شده بود تا بدام نیفتد و جستجو محلی بهینه را برای گرفتن راه حل خوب از طریق کاهش زمان اجراء، هزینه پردازش و زیاد شدن استفاده منابع انجام دهد . متاسفانه این بهبود با هزینه تکمیل پیچیدگی زمان براورده شده بود . ما در کاراینده در نظر داریم تا الگوریتم PSO را با استفاده از دیگر الگوریتم های حریصانه و بررسی وظایف وابسته بجای وظایف مستقل برای رسیدن به عملکرد بالا سیستم کل بهبود بخشیم .

• بخشی از مقاله انگلیسی:

۴٫ Conclusion and Future Work

In this paper, the problem of task scheduling in the Cloud computing environment is concerned. BF, PSO, and TS algorithms are most famous algorithms for scheduling tasks on cloud computing environment. In order to improve the performance of the standard PSO algorithm, the modified PSO algorithm is proposed .Because the first step of the PSO algorithm is random (i.e., initial population is generated randomly), this might produce wrong path. In order to resolve this situation, BF algorithm is merging into standard PSO algorithm for generating initial population in order to obtain a good initial selection. On the other hand, TS algorithm has been merged to PSO algorithm to avoid trapped and make an optimal local search to get a good solution by reducing the execution time (Makspan), the cost of processing, and increasing resources utilization. The implementation results prove that the proposed algorithm (i.e., BFPSOTS) outperforms the standard PSO with respect to the Makspan, resource utilization, and cost. Unfortunately, this improvement has been satisfied at the expense of fulfillment of the time complexity. In the future work, we plan to improve PSO algorithm using other greedy algorithms (e.g., Worst-Fit), and considering dependent tasks instead of independent tasks to achieve the high performance of the overall system.

دانلود رایگان مقاله انگلیسی          خرید ترجمه فارسی مقاله