یک روش زمانبندی وظایف مبتنی بر الگوریتم تکاملی تفاضلی و اجتماع ذرات به منظور افزایش کارایی در محیط محاسبات ابری

آقایی قزوینی, گلناز; حیدران داروقه امنیه, زهرا; نیک‌مرد, بابک

doi:10.48301/kssa.2025.499484.3120

یک روش زمانبندی وظایف مبتنی بر الگوریتم تکاملی تفاضلی و اجتماع ذرات به منظور افزایش کارایی در محیط محاسبات ابری

نوع مقاله : مقاله پژوهشی (کاربردی)

نویسندگان

گلناز آقایی قزوینی ¹

زهرا حیدران داروقه امنیه ²

بابک نیک‌مرد ¹

¹ گروه کامپیوتر، واحد دولت آباد، دانشگاه آزاد اسلامی، اصفهان، ایران.

² گروه برق، واحد دولت آباد، دانشگاه آزاد اسلامی، اصفهان، ایران.

10.48301/kssa.2025.499484.3120

چکیده

محاسبات ابری یک روند جدید در محاسبات اینترنت بوده که منابع مختلف را به عنوان سرویس ارائه می‌نماید. یکی از چالش‌های اساسی در محیط ابری زمانبندی وظایف به منظور استفاده بهینه از خدمات مبتنی بر ابر و افزایش کارایی است که باعث می‌شود سیستم در شرایط پایدار قرار داشته باشد. در سال‌های اخیر تحقیقات وسیعی به جهت اختصاص وظایف به ماشین‌های مجازی در محیط‌های ابری ارائه شده است. اگر چه این الگوریتم‌ها به طور موثری کار می‌کنند ولی هنوز به برخی چالش‌ها مانند تاخیر ارتباطی، بکارگیری موثر منابع، قابلیت‌اطمینان و تخصیص کار به ماشین‌های غیر‌قابل استفاده، به طور دقیقی نپرداخته‌اند. یکی از چالش‌های حائز توجه در محیط محاسبات ابری، انتخاب بهترین ماشین مجازی برای هر وظیفه با هدف افزایش کارایی و کاهش هزینه است. در این مقاله، راهکاری به نام PSODE به منظور زمان‌بندی وظایف با بکارگیری الگوریتم‌های تفاضل تکاملی و الگوریتم اجتماع ذرات با هدف افزایش کارایی در محیط محاسبات ابری ارائه شده است. به منظور ارزیابی، راهکار پیشنهادی با الگوریتم تفاضلات تکاملی (DE) و الگوریتم هوش ازدحامی ذرات (PSO) مقایسه گردید. نتایج ارزیابی برای 1000 وظیفه، حاکی از کاهش زمان پاسخ‌دهی نسبت به روش‌های مذکور است.

کلیدواژه‌ها

محاسبات ابری

زمانبندی وظایف

افزایش کارایی

الگوریتم تکاملی تفاضلی

الگوریتم اجتماع ذرات

موضوعات

شبکه

عنوان مقاله English

A task scheduling method based on differential evolutionary algorithm and particle community in order to increase efficiency in cloud computing environment

نویسندگان English

Golnaz Aghaee Ghazvini ¹

zahra Heydaran Daroogheh Amnyieh ²

Babak Nikmard ¹

¹ Department of Computer Engineering, Dol.C., Islamic Azad University, Isfahan, Iran.

² Department of Electrical Engineering, Dol.C., Islamic Azad University, Isfahan, Iran.

چکیده English

Cloud computing is a new trend in Internet computing that provides various resources as a service. One of the basic challenges in the cloud environment is task scheduling in order to optimally use cloud-based services and increase efficiency, which makes the system in a stable condition. In recent years, extensive research has been done to assign tasks to virtual machines in cloud environments. Although these algorithms work effectively, they still do not accurately address some challenges such as communication delay, effective use of resources, reliability, and assignment of work to unusable machines. One of the significant challenges in the cloud computing environment is choosing the best virtual machine for each task with the aim of increasing efficiency and reducing costs. In this article, a solution called PSODE is presented to schedule tasks using evolutionary difference algorithms and particle community algorithm with the aim of increasing efficiency in the cloud computing environment. In order to evaluate, the proposed solution was compared with the difference evolutionary algorithm (DE) and the particle swarm intelligence algorithm (PSO). The evaluation results for 1000 tasks indicate a reduction in response time compared to the mentioned methods.

کلیدواژه‌ها English

loud computing

task scheduling

increasing efficiency

differential evolutionary algorithm

particle community algorithm

[1] Jin, Y. (2025). An effective method for prospective scheduling of tasks in cloud-fog computing with an energy consumption management approach based on Q-learning. Engineering Applications of Artificial Intelligence, 151, 110705.‏ https://doi.org/10.1016/j.engappai.2025.110705.

[2] Prity, F. S., Gazi, M. H., & Uddin, K. A. (2023). A review of task scheduling in cloud computing based on nature-inspired optimization algorithm. Cluster computing, 26(5), 3037-3067.‏ https://doi.org/10.1007/s10586-023-04091-x.

[3] Hu, Y., Pan, L., & Pan, X. (2024). Dynamic scheduling of workshop resource in cloud manufacturing environment. Engineering Applications of Artificial Intelligence, 138, 109405.‏ https://doi.org/10.1016/j.engappai.2024.109405.

[4] Long, S., Yang, J., Rao, C., Deng, Q., & Cao, K. (2025). D3QN-based secure scheduling of microservice workflows in cloud environments. Computer Networks, 263, 111227.‏ https://doi.org/10.1016/j.comnet.2025.111227.

[5] Dehghan, Motahera, & Khosrovian, Irfan. (1402). Privacy-preserving federated learning for advanced threat detection in drone internet systems. Karafan Scientific Quarterly, 20(3), 465-484. https://doi.org/10.48301/kssa.2023.409787.2649. (in persian)

[6] De Peer, Mahmoud, Maarif, Armin, & Zoghi, Tektem. (1403). Presenting a multivariate hybrid routing method to improve the performance of vehicular networks. Karafan Scientific Quarterly, 21(1), 39-62. https://doi.org/10.48301/kssa.2024.423334.2752. (in persian)

[7] Kamble, N., Saraf, V., Pachghare, V., & Adhao, R. (2025). A Trust Computation Model for Collaborative Cloud Environment. Procedia Computer Science, 258, 4169-4178.‏ https://doi.org/10.1016/j.procs.2025.04.667.

[8] Kchaou, H., Kechaou, Z., & Alimi, A. M. (2022). A PSO task scheduling and IT2FCM fuzzy data placement strategy for scientific cloud workflows. Journal of Computational Science, 64, 101840.‏ https://doi.org/10.1016/j.jocs.2022.101840.

[9] Pradhan, A., Bisoy, S. K., & Das, A. (2022). A survey on PSO based meta-heuristic scheduling mechanism in cloud computing environment. Journal of King Saud University-Computer and Information Sciences, 34(8), 4888-4901.‏

https://doi.org/10.1016/j.jksuci.2021.01.003.

[10] Ding, X., & Wu, J. (2019). Study on energy consumption optimization scheduling for internet of things. IEEE Access, 7, 70574-70583.‏ https://doi.org/10.1109/ACCESS.2019.2919769.

[11] Beloglazov, A., Abawajy, J., & Buyya, R. (2012). Energy-aware resource allocation heuristics for efficient management of data centers for cloud computing. Future generation computer systems, 28(5), 755-768.‏ https://doi.org/10.1016/j.future.2011.04.017.

[12] Lovász, G., Niedermeier, F., & De Meer, H. (2013). Performance tradeoffs of energy-aware virtual machine consolidation. Cluster Computing, 16, 481-496.‏ https://doi.org/10.1007/s10586-012-0214-y.

[13] Verma, A., Ahuja, P., & Neogi, A. (2008). pMapper: power and migration cost aware application placement in virtualized systems. In ACM/IFIP/USENIX international conference on distributed systems platforms and open distributed processing (243-264). Berlin, Heidelberg: Springer Berlin Heidelberg.‏ https://doi.org/10.1007/978-3-540-89856-6_13.

[14] Gholipour, N., Arianyan, E., & Buyya, R. (2020). A novel energy-aware resource management technique using joint VM and container consolidation approach for green computing in cloud data centers. Simulation Modelling Practice and Theory, 104, 102127.‏ https://doi.org/10.1016/j.simpat.2020.102127.

[15] Gudivaka, R. K., Basani, D. K. R., Grandhi, S. H., Gudivaka, B. R., Gudivaka, R. L., & Kamruzzaman, M. M. (2025). A multilevel decentralized trust management-aware OS-GRU and S-fuzzy-based dynamic task offloading in block-chain enabled Edge-Cloud. Sustainable Computing: Informatics and Systems, 46, 101111.‏‏ https://doi.org/10.1016/j.suscom.2025.101111.

[16] Tang, C., Zhao, S., Chen, B., Lu, X., & Zhang, Q. (2024). A two-dimensional time-aware cloud service recommendation approach with enhanced similarity and trust. Journal of Parallel and Distributed Computing, 190, 104889.‏ https://doi.org/10.1016/j.jpdc.2024.104889.

[17] Shan, L., Sun, L., & Rezaeipanah, A. (2024). Towards a novel service broker policy for choosing the appropriate data center in cloud environments. Computer Communications, 228, 107939.‏ https://doi.org/10.1016/j.comcom.2024.107939.

[18] Wang, Z., Zhang, H., Chen, J., & Chen, H. (2024). An effective framework for measuring the novelty of scientific articles through integrated topic modeling and cloud model. Journal of Informetrics, 18(4), 101587.‏ https://doi.org/10.1016/j.joi.2024.101587.

[19] Shin, D., Kim, J., Pawana, I. W. A. J., & You, I. (2025). Enhancing cloud-native DevSecOps: A Zero Trust approach for the financial sector. Computer Standards & Interfaces, 103975.‏ https://doi.org/10.1016/j.csi.2025.103975.

[20] Jiang, Y., Perng, C. S., Li, T., & Chang, R. N. (2013). Cloud analytics for capacity planning and instant VM provisioning. IEEE Transactions on Network and Service Management, 10(3), 312-325.‏ https://doi.org/10.1109/TNSM.2013.013013.110181.

[21] Ramesh, D., Kolla, S. S., Naik, D., & Narvaneni, R. (2025). HGWO-MultiQoS: A hybrid grey wolf optimization approach for QoS-constrained workflow scheduling in IaaS clouds. Simulation Modelling Practice and Theory, 103127.‏ https://doi.org/10.1016/j.simpat.2025.103127.