Cloud computing is an emerging technology and it allows users to pay as you need and has the high performance. Cloud computing is a heterogeneous system as well and it holds large amount of application data. In the process of scheduling some intensive data or computing an intensive application, it is acknowledged that optimizing the transferring and processing time is crucial to an application program. In this paper in order to minimize the cost of the processing we formulate a model for task scheduling and propose a particle swarm optimization (PSO) algorithm which is based on small position value rule. By virtue of comparing PSO algorithm with the PSO algorithm embedded in crossover and mutation and in the local research, the experiment results show the PSO algorithm not only converges faster but also runs faster than the other two algorithms in a large scale. The experiment results prove that the PSO algorithm is more suitable to cloud computing

چکیده

سرویس رایانش ابری را می­توان یکی از تکنولوژی های نوظهوری دانست که به کاربرانش اجازه داده بر اساس میزان نیازشان، از سرویس های آن استفاده کرده و البته به میزان سرویسی که استفاده کرده اند، هزینه ی آنرا پرداخت می­کنند. نام دیگر این سرویس، سیستم همگن بوده که قادر به نگهداری حجم زیادی از داده های اپلیکیشن ها می­باشد. در پروسه ی زمانبندی بعضی از داده های حساس، و یا محاسبه ی یک اپلیکیشن محسوس، بدیهی است که بهینه سازیِ زمان تبدیل و پردازش، برای یک اپلیکیشن بسیار ضروری است. از این رو در این مقاله قصد داریم به منظور کمینه سازی هزینه ی پردازش، مدلی را برای زمانبندی وظیفه ارائه داده و یک الگوریتم بنیه سازی ازدحام ذرات (PSO) ، که بر مبنای قاعده ی مقدار موقعیت می­باشد را ارائه دهیم. با  توجه به مقایسه ی الگوریتم PSO با الگوریتم PSO که در پژوهش های محلی  و پژوهش های تحولی یافته ادغام شده است، نتایج آزمایشی نشان داده است که نه تنها الگوریتم PSO قادر به اجرای همگرا شدن سریع تر می­باشد، بلکه نسبت به دو الگوریتم دیگر سرعت اجرای بیشتری نیز دارد. همچنین این اثبات کرده اند که الگوریتم PSO در سرویس های رایانش ابری کاربرد بهتری دارد

1-مقدمه

اپلیکیشن های علمی را می­توان اپلیکیشن هایی پیچیده و محسوس به داده ها دانست. در حوزه های زیادی اعم از ستاره شناسی و نجوک[1]، فیزیکی انرژی بالا[2]، بیوفورماتیک دانشمندان نیاز داشته تا ترابایت ها داده را یا از منابع داده ای موجود و یا از دستگاه های فیزیکی مورد تحلیل قرار دهند. تحلیل علمی، معمولاٌ  با حجم داده ای و محاسباتی سنگینی روبرو است و طبیعی است که برای اجرای آنها به زمان زیادی نیاز می­باشد. در سایر جنبه ها، حجم زیاد داده ها فقط در اپلیکیشن های علمی وجود ندارد، بلکه در محیط وب نیز می­توان چنین داده هایی را مشاهده کرد. محاسبات بر روی حجم زیادی از داده ها در یک میحط وب، باعث ترفیع اپلیکیشن توزیع یافته ای از کلاستر های وب شده است، چرا که چنین اپلیکیشن هایی از نظر هزینه مقرون به صرفه بوده و مقیاس پذیری بالایی دارند. به منظور کمینه سازی زمان پاسخ و زمان پردازش، در یک چنین سیستم هایی، سیاست زمانبندی وظیفه بر روی زمانبندی این وظایف با هدف کاهش انتقال داده ها و افزایش توانایی پردازشی این سیستم ها متمرکز می­باشد تا بتوان به بهود کارائی دست یافت...