دانلود مقاله تولید جمعیت اولیه و فرآیند ارزیابی

تعدادی از منابع و انواع taskها برای زمانبندی معمولاً نیاز به گرید های پویا دارند.الگوریتم مورد نظر افزایش کارآیی جستجو با تکرار های کم به صورت آگاهانه برای تولید جمعیت اولیه و فرآیند ارزیابی برای نتایج کارا بر پایه QoSمی باشد.
به منظور حل مساله نگاشت مجموعه ای از taskها به مجموعه ای از ماشین ها باید صورت گیرد.بسیاری ار الگوریتم های زمانبندی برای محیط گرید طراحی شده اند.بسیاری از الگوریتم های آگاهانه پیشنهاد شده نزدیک به بهینه عمل می کنند.
Widget not in any sidebars

MET (Minimum Excution Time):METبرای منابع در حداقل زمان باقی مانده اجرا می کند.این الگوریتم دسترسی پذیری منابع و load balance را برای منابع در نظر نمی گیرد.
MCT (Minimum Completion Time):MCT برای هر taskنزدیک ترین زمان تکمیل را در نظر می گیرد که این منجر به تعیین منابع که حداقل زمان اجرایی را دارند ولی هنوز تعیین نشده اند،می شود.
4-7 الگوریتم Min-Max:
الگوریتم Min-Max مجموعه ای از داده ها را برای تکمیل با اولویت بالا در نظر می گیرد که شامل دو مرحله است:1-انتخاب حداقل زمان مورد انتظار برای اجرا برای task2-انتخاب منابع مورد نیاز برای اجرا می باشد.سپس این taskاز مجموعه فرآیندهایی که برای نگاشت انتخاب می شوند،حذف می شوند.
4-8 الگوریتم Max-Min:[24]
الگوریتم Max-Min شبیه الگوریتم Min-Max می باشد.تنها تفاوت آن در مرحله دوم می باشد که در این مرحله taskهایی با ماکزیمم (Execution Time Completion) را انتخاب می کند،که نیاز به اولویت بالا برای منابع دارد.
بسیاری از تکنیک های ارزیابی مانند الگوریتم ژنتیک با QoS و الگوریتم Colonyبرای بهینه سازی و آنیل(annealing)وجود دارد.
4-8و7-1معماری گرید:
معماری گرید متشکل از تعدادی hostها می باشد که هر host شامل چند منبع محاسباتی همگن و ناهمگن می باشد.هسته (care)شامل user،منابع و جست و جوی گره هادر سرویس های اطلاعاتی گرید (GIS)user مورد نظر taskها را پذیر می کند و با جست و جو گر در گرید ارسال می کند.
جست و جو گر task های مستقل گوناگون و توزیع یافته را در گرید جست و جو می کند.(Grid Information Service) GIS اطلاعات همه منابع را برای جست و جو و زمانبندی ذخیره می کند.
4-6-1 الگوریتم ژنتیک با QoSچندگانه:
الگوریتم ژنتیک ممکن است برای حل و بهینه سازی فرآیندها با کارآیی بکار رود.که منابع آن Chromoseها و مجموعه ای از ژن ها می باشد.جمعیت اولیه برای مجموعه ای از chromoseها تحت فرآیندهای الگوریتم ژنتیک تولید می شوند.مراحل انتخاب chrossover-selectionو جهش (mutation)عملیات ژنتیک را قادر ساخته است که حل بهینه را تولید کند.این تحقیق تحقیقات بر روی الگوریتم ژنتیک با وزن های چندگانه QoSو تسریع همگرایی و جست و جوی سریع ارایه می کند.کمک اصلی برای کاهش makespanبرای سیستم و افزایش بکارگیری منابع متمرکز می باشد.
4-6-1-2 تشکیل و فرمولسازی(formation):
Nتا task برای پردازش بر روی m منبع یا ماشین هایی که n>m(تعداد taskها از تعداد منابع)بیشتر است.زمانبندی به صورت offlineصورت می گیرد که فرضیات زیر باید اعمال شود:
همه jobهایی که مستقل هستند و هیچ اولویتی بین آنها وجود ندارد.
همه ماشین ها و jobهای شبیه سازی شده در دسترس در زمان اولیه.
یک ماشین می تواند تنها بر روی فرآیند که عملیات و jobدر زمان پردازش در وقفه بیفتد قبل از پردازش تکمیل می شود.زمان انتقال jobها بر روی یک ماشین به ماشین های دیگر که در زمان عقب و پردازش صورت می گیرد.
4-6-1-3 زمانبندی jobها با استفاده از الگوریتم ژنتیک با QoSدر گرید:
هیچ انتقال jobمجاز نیست.
یازده حالت نگاشت آگاهانه که ما ارزیابی می کنیم و شبیه سازی زمان اجرایی در محیط گرید با الگوریتم های آگاهانه ایستا صورت می گیرد.که زمان اجرایی را تخمین می زند و شامل ماتریس (Expected Time to Compute)ETC می باشد.
این فرض صورت می گیرد که برای ماتریس ETC،Tci,j بیانگر زمان اجرایی مورد انتظار برای jobiام بر روی منبع jام باشد. Tci,jE به صورت قطعی می باشد.ماتریس ETC برای تولید مدل شبیه سازی شده برای زمان مورد انتظار اجرایی taskها می باشد.
4-6-1-3-1Chromosome presentation:
برای Chromosome presentation یک بردار به طول n در نظر می گیرند که nبرابر تعداد taskها برای زمانبندی می باشد.که متشکل از ژن ها می باشد.OV[i]=j برای job،iام بیان کننده و زمانبندی بر روی منبع jکه هر درایه ماتریس ETC می باشد.
4-6-1-3-2 جمعیت اولیه،crossoverو جهش ژنی:
دانه های اولیه (ژن های اولیه)بر پایه الگوریتم Min-Max و Max-Min به صورت آگاهانه تولید می شوند.نقاط تنها و cross over برای پردازش با احتمالی که میانگین آن c=0.9µ می باشد به صورت حداقل سازی makespan اجام می شود.نتایج chromosome انجام می شود.