دانلود مقاله الگوریتم ژنتیک و محیط سیستم

که در آن ep زمان مورد نیاز برای محاسبه رئوس p،cp زمان مورد نیاز برای ارتباطات داخلی همه ی یالها S میانگین درجه بارکاری گراف می باشد.
4-3 زمانبندی task ها در گرید ها بر پایه الگوریتم Swarm[1]
Widget not in any sidebars

روش های سنتی زمانبندی می توانند تنها تقریبی از بهینه سازی با در نظر گرفتن الگوریتم های تک وظیفه ای مستقل برای زمانبندی ارایه کند،الگوریتم particle swarm برای حل زمانبندی وظایف برای گرید های محاسباتی به کار می رود.این الگوریتم مدلی برای زمانبندی گریدهای محاسباتی ارایهمی کند.الگوریتم swarmمی تواند فضای پیوسته ای برای جستجوی منابع ارایه کند.انتخاب منابع مناسب و زمانبندی بهینه بر اساس وزن ها و مقادیر اولویت منابع با این الگوریتم صورت می گیرد.این الگوریتم در مقایسه با الگوریتم های hybrid و ژنتیک می تواند مزایایی داشته باشد که در این قسمت به آنها اشاره خواهیم کرد.
مدیریت منابع و زمانبندی taskها یکی از مدل هایی برای گریدهای محاسباتی می باشد،برای زمانبندی taskها مشکلاتی در مقیاس های کوچک وجود دارد که می تواند با روش های سنتی زمانبندی حل شود.اما زمانبندی taskها در مقیاس های بزرگ یک مساله از مرتبه NP-hard می باشد که هنوز یک روش حل و راه حل چند جمله ای برای آن یافت نشده است.با پیدایش گریدهای محاسباتی،الگوریتم های زمانبندی قدیمی سازگاری خوبی با ویژگی های منابع در محیط گریدهای محاسباتی ندارند.چگونگی تخصیص و مدیریت منابع گرید برای سرویس های گرید محاسباتی می تواند به صورت بهینه برای جست و جوی منابع محاسباتی به کار رود.الگوریتم ژنتیک دارای مشکلاتی مانند هزینه بالاتر و زمان پیاده سازی طولانی می باشد در این قسمت برای زمانبندی taskها در گرید های محاسباتی بر پایه الگوریتم particle swarm با کارآیی پیاده سازی بالاتر با تحلیل و نتایج شبیه سازی و کارآیی بالا که بهتر از الگوریتم های سنتی می باشد ارایه خواهیم کرد.
4-3-1 توضیح مسئله:
در محیط سیستم های گرید منابع در مقیاس های گسترده توزیع می شوند،معمولاً در دامنه های وسیع و سرکشی user،استراتژی زمانبندی مطرح است. در این قسمت،taskها با استفاده از الگوریتم تنها نمی تواند شامل زیر taskهایی که درارای محدودیت های قبلی هستند،باشد.موضوع اصلی متمرکز بر استراتژی زمانبندی چگونگی بدست آوردن اطلاعات منابع زمانی که تعدادی از زیر وظایف(subtask) در حجم بزرگی از منابع مورد بررسی قرار می گیرد.subtaskها ترکیبی از روش های بحث نشده در حوزه مورد نظر است.
ابتدا فرضیات زیر را در نظر می گیریم:
1-taskهای مربوط به user برنامه به زیر وظایف(subtask)ها تقسیم می شود و وابستگی داده ها و ارتباط بین زیر وظایف(subtask) مشخص می شود.
2-حالت مربوط به منابع محاسبات و گره های مربوط در گرید باید مشخص شود.
3-هزینه پیاده سازی هر زیر وظیفه (subtask) باید طولانی تر از زمانبندی در نظر گرفته شده برای الگوریتم باشد و ارتباطات داخل شبکه ای بین زیر وظایف (subtask) می تواند قابل چشم پوشی باشد که مدل ریاضی مربوط به زمان اجرایی هر زیر وظیفه به صورت زیر است:[1]
(1)
(2)
(3)
(4)
(5)
در روابط فوقti زمان شروع هر زیر وظیفه(subtask)،i است.
Di شمارش و تعداد اجرایی هر زیر وظیفه (subtask)می باشد.
1-Si زمان اسمبل(جمع آوری)منابع
2-rik منابع مورد نیاز برای هر زیر وظیفه(subtask) می باشد.
3-Rk حجم منابع محاسباتی است.
4-Aii زیر وظایفی برای جهش ti است.
5-M عدد کلی از منابع گوناگون است.
زیر وظایف 1 تا N وظایف مجازی است.هدف نهایی حداقل کردن زمان اجرایی taskها می باشد.
در روابط فوق رابطه 2 برای تخمین این که هیچ شاخه قبلی و بعدی دارای محدودیت نباشد رابطه 3 برای تخمین اینکه همه زیر وظایف مصرف شده برای k منبع دارای محدودیت کمی باشد.
رابطه4 برای شرایط طبیعی جمع آوری taskها می باشد.مدل مورد استفاده می تواند به صورت گراف زیر بیان شود.
در ساختار و مدل virtual activity زیر،هر task به پنج زیرtask تقسیم می شود.خطوط مستقیم دلالت بر محدودیت های قبلی و بعدی دارد.در این ساختار زیر وظایف(subtask)های 1و6 نقش شروع و پایان زیر وظایف را ایفا می کنند.
Virtual activity