این پایان نامه با موضوع “پیاده سازی زمانبندی وظایف در رایانش ابری با استفاده از الگوریتم کلونی مورچگان بهبود یافته” می باشد. کلیه سورس و فایل های شبیه سازی پس از خرید محصول، قابل دانلود است. همچنین تعداد صفحات این پایان نامه 83 صفحه با رعایت قالب استاندارد دانشگاه می باشد. کلیه نکات نگارشی مطابق با استاندارهای پژوهشی انجام شده است.

امکانات اصلی این پایان نامه پس از خرید عبارتند از:

– فایل  Word,pdf پایان نامه
– سورس شبیه سازی شده با زبان برنامه نویسی جاوا (Java)

توجه1: شبیه سازی با همین موضوع، در سایت موجود می باشد که می توانید بصورت جداگانه خریداری نمایید.(جهت خرید کلیک نمایید)
توجه2: پروپوزال با همین موضوع، در سایت موجود می باشد که می توانید بصورت جداگانه خریداری نمایید.(جهت خرید کلیک نمایید)
توجه3: در صورت نیاز به پایان نامه، پروپوزال یا شبیه سازی مشابه با این محصول و همچنین اصلاحات پس از خرید پایان نامه فوق کافی است با تیم پشتیبانی “ماکان تزیز” از طریق پیامک یا واتساپ ارتباط برقرار نمایید.

چکیده پایان نامه:

محاسبات ابری مدتهاست که در محدوده فن‌آوری اطلاعات خود نمایی می‌کند. زمانبندی خدمات ابر توسط ارائه دهندگان، سود هزینه این الگوی محاسباتی را تحت تأثیر قرار می‌دهد. در چنین سناریویی کارها باید به نحو احسن زمانبندی شوند به طوری‌که هزینه و زمان اجرا کاهش یابد. این پایان نامه سعی شده است تا بحث “زمانبندی وظایف بر اساس الگوریتم کلونی مورچگان بهبود یافته مبتنی بر الگوریتم ژنتیک با رویکرد تعادل بار پویا” بررسی شود.

در روش پیشنهادی محیط ابر همگن و کارها مستقل در نظر گرفته شده‌اند، همچنین هر وظیفه علاوه بر داشتن زمان اجرا، زمان زنده ماندن هم دارد (به این معنی که هر وظیفه مهلت زمانی محدودی برای اجرا شدن دارد و در صورت اجرا نشدن در مهلت خاص خودش  از ارزش اجرای آن کم می‌شود) درست مانند سیستم‌های بلادرنگ و همین فاکتور زمان زنده ماندن، برای هر وظیفه، اولویت آن وظیفه برای اجرا شدن را نشان می‌دهد.

مهم‌ترین مزیت الگوریتم پیشنهادی

مهم‌ترین مزیت الگوریتم پیشنهادی این است که علاوه بر این‌ که زمان اجرای کل را کاهش می‌دهد سعی می‌کند هر وظیفه را در سریع‌ترین زمان ممکن، قبل از اینکه مهلت زمانی‌اش به اتمام برسد، به پایان برساند که این مسئله در سیستم‌های بلادرنگ بسیار مهم است و در مقایسه با الگوریتم زمانبندی بلادرنگ ساده زمان اجرای کمتری دارد. همچنین روش پیشنهادی مصرف انرژی دیتاسنترهای رایانش ابری را به صورت قابل ملاحظه ای کاهش می دهد.

شبیه‌سازی الگوریتم درCloudsim

شبیه‌سازی الگوریتم درCloudsim نشان می‌دهد که با افزایش منابع برای تعداد ثابتی از وظایف، زمان محیط اجرا تا چه میزان می‌تواند برای سیستم کاهش یابد. با توجه به نتایج بدست آمده، به طور کلی روش پیشنهادی از لحاظ زمان اجرا نسبت به روش DVFS حدود 2.74 برابر بهبود زمانی داشته، نسبت به روش EEVS حدود 4.49 برابر بهتر عمل نموده، نسبت به روش EEVS-N حدود 4.19 برابر، نسبت به روش MBFD حدود 4.11 برابر و در نهایت نسبت به روش Hemogeneous حدود 4.49 برابر بهبود داشته است. همچنین از لحاظ هزینه های ارتباطی نسبت به روش های EEVS حدود 0.88 برابر بهتر بوده، نسبت به روش EEVS-N حدود 3.8 برابر، نسبت به روش MBFD حدود 1.1 برابر و در نهایت نسبت به روش Hemogeneous حدود 1.08 برابر بهبود داشته است.