دانلود ترجمه مقاله بهینه سازی زمان بندی وظیفه در محاسبات ابری بر اساس الگوریتم ذهنی

گروه آموزشی ترجمه فا اقدام به ارائه ترجمه مقاله با موضوع ” بهینه سازی زمان بندی وظیفه در محاسبات ابری بر اساس الگوریتم ذهنی ” در قالب فایل ورد نموده است که شما عزیزان میتوانید پس از دانلود رایگان مقاله انگلیسی و نیز مطالعه نمونه ترجمه و سایر مشخصات، ترجمه را خریداری نمایید.

• فهرست مطالب:

چکیده
1 – مقدمه
2 – کار مرتبط
III . تدوین مسئله زمان بندی وظیفه
IV . زمان بندی وظیفه بر اساس بهینه سازی ازدحام ذرات
A . نمایش ذره
B . تولید ازدحام اولیه
C: الگوریتم PSO
V . نتیجه آزمایشی
A . سنجه عملکرد
B . محیط های آزمایشی
C . عملکرد مقایسه ای
D : تحلیل همگرایی
VI : نتیجه گیری

• بخشی از ترجمه:

VI : نتیجه گیری
با هدف بهبود کارامدی، بهینه سازی زمان بندی وظیفه در تعدادی از حوزه های متفاوت ضروری می باشد . منابع در رایانش ابری در سراسر جهان پراکنده شده اند و معمولا داده بزرگ تر است و اغلب پهنای باند محدود تر می باشد ، این مشکلات مهم تر هستند . ما در مقاله حاضر یک روش بهینه سازی زمان بندی وظیفه را در رایانش ابری معرفی کرده ایم و مدلی را برای زمان بندی وظیفه برای به حداقل رساندن هزینه مسئله تدوین می کنیم و ان را از طریق الگوریتم PSO حل کرده ایم . ما از طریق مقایسه و تحلیل الگوریتم ازدحام ذرات با تقاطع ، جهش و الگوریتم جستجوی محلی مبتنی بر ازدحام ذرات یک الگوریتم ازدحام ذرات تعبیه شده در SPV را پیشنهاد می دهیم که معرف عملکرد بهتر می باشد . نتیجه آزمایشی آشکار می سازد که الگوریتم PSO به راه حل بهینه دست می یابد و در وظایف بزرگ نسبت به دو مورد دیگر همگرایی سریع تر دارد . علاوه بر این ، زمان راه اندازی کوتاه تر از دو مورد دیگر می باشد . واضح است که PSO برای رایانش ابری مناسب تر است .
تحقیق ما در کارآینده این است تا بهره وری انرژی و دسترس پذیری سرویس را در سیستم رایانش ابری در کانون توجه قرار دهیم . ما در نظر داریم تا بهینه سازی زمان بندی وظیفه را بهبود بخشیم و نه تنها خط مشی بهینه سازی باعث بهینه شدن راندمان می گردد بلکه همچنین توافق سطح سرویس و انرژی را ایجاد می کند .

• بخشی از مقاله انگلیسی:

VI. CONCLUSIONS

In many different domains, in order to improve the efficiency the optimizing task scheduling is necessary. In cloud computing resources distribute all over the world, and the data usually is bigger and the bandwidth often is narrower, these problems are more important. In this paper, we presented the task scheduling optimizing method in cloud computing, and we formulate a model for task scheduling to minimize the cost of the problem and solved it by a PSO algorithm. By comparing and analyzing particle swarm algorithm with crossover, mutation and local search algorithm based on particle swarm, we propose the particle swarm algorithm embed in SPV, which represents better performance. Experimental result manifests that the PSO algorithm both gains optimal solution and converges faster in large tasks than the other two. Moreover, running time is shorter than the other two too. It is obvious that PSO is more suitable to cloud computing. In future work, our research is to center on the energy efficiency and service availability in cloud computing system. We aim to improve task scheduling optimization and make optimization policy to optimize not only the efficiency, but also the energy and service level agreement.

دانلود رایگان مقاله انگلیسی

خرید ترجمه فارسی مقاله