For task-scheduling problems in cloud computing, a multi-objective optimization method is proposed here. First, with an aim toward the biodiversity of resources and tasks in cloud computing, we propose a resource cost model that defines the demand of tasks on resources with more details. This model reflects the relationship between the user's resource costs and the budget costs. A multi-objective optimization scheduling method has been proposed based on this resource cost model. This method considers the makespan and the user's budget costs as constraints of the optimization problem, achieving multi-objective optimization of both performance and cost. An improved ant colony algorithm has been proposed to solve this problem. Two constraint functions were used to evaluate and provide feedback regarding the performance and budget cost. These two constraint functions made the algorithm adjust the quality of the solution in a timely manner based on feedback in order to achieve the optimal solution. Some simulation experiments were designed to evaluate this method's performance using four metrics: 1) the makespan; 2) cost; 3) deadline violation rate; and 4) resource utilization. Experimental results show that based on these four metrics, a multi-objective optimization method is better than other similar methods, especially as it increased 56.6% in the best case scenario

چکیده

برای برنامه های زمانبدی وظیفه در محاسبات کلود، یک روش بهینه سازی چندهدفه در اینجا معرفی می شود. ابتدا، با هدف تنوع زیستی منابع و وظایف در محاسبات کلود، ما یک مدل هزینه منبع معرفی می کنیم که تقاضای وظایف بر روی منابع را با جزئیات بیشتری تعریف می کند. این مدل انعکاس کننده رابطه بین هزینه های منبع و هزینه های بودجه می باشد. یک روش زمانبندی بهینه سازی چندهدفه بر اساس مدل هزینه منبع معرفی شده است. این روش، makespan (زمان تکمیل) و هزینه های بودجه کاربر را به عنوان محدودیت های مسئله بهینه سازی در نظر گرفته و به بهینه سازی چندهدفه هر دو مورد کارایی و هزینه دست می یابد. یک الگوریتم کلونی مورچگان بهبود یافته به منظور حل این مسئله معرفی شده است. دو تابع محدودیت برای ارزیابی مورد استفاده قرار گرفته و بازخوردی با توجه به کارایی و هزینه بودجه ارائه می دهد. این دو تابع محدودیت اعمال شده بر روی الگوریتم، کیفیت راه حل را بصورت بموقع و بر اساس بازخورد به منظور دستیابی به راه حل بهینه، تعدیل می کند. بعضی از آزمایشات شبیه سازی به منظور ارزیابی کارایی این مدل با استفاده از چهار متریک ذیل، طراحی شده اند: 1) makespan؛ 2) هزینه؛ 3) نرخ نقض مهلت؛ و 4) بهره برداری از منبع. نتایج آزمایشی (تجربی) نشان می دهند که بر اساس این چار متریک، یک روش بهینه سازی چندهدفه بهتر از دیگر روش های مشابه می باشد، بخصوص به این دلیل که کارایی آن در سناریوی بهترین حالت، حدود 56.6% افزایش پیدا کرد.

1-مقدمه

زمانبندی وظیفه در محاسبات کلود، مهم می باشد [1] چرا که آن مستقیما بار و کارایی یک سیستم را تحت تاثیر قرار می دهد. یک روش موثر زمانبندی وظیفه نیاز دارد تا نه تنها نیازهای کاربر بلکه بهره وری کل سیستم را بهبود بخشد. مسائل زمانبندی وظیفه یک مسئله معمول NP-hard می باشند. در حال حاضر، محققان زیادی این مسئله را با استفاده از الگوریتم کلونی مورچگان حل کرده اند. الگوریتم کلونی مورچگان یک الگوریتم بهینه سازی احتمالاتی و غیرقطعی است؛ بنابراین، بدست آوردن یک راه حل بهینه سراسری در آن راحت است. علاوه بر این، آن قدرتمند بوده و به بهینه سازی ریاضیاتی و ویژگی های ساختاری خود مسئله تکیه ندارد...