هدف: ساخت ابری یک الگوی تولید سرویس کار است که از منابع تولیدی موجود در مکان های مختلف جغرافیایی به صورت متمرکز جهت پاسخ گویی به نیازهای اختصاصی مشتریان بهره می برد. یکی از مسایل اصلی در سیستم های ساخت ابری تخصیص مناسب زیروظایف به سازمان ها و زمان بندی بهینه آن ها است. بیش تر مطالعات موجود در ادبیات، علی رغم محتمل بودن وجود وظایف با ساختارهای متفاوت در یک مجموعه سفارش، فرض می کنند که همه وظایف صرفا از یک نوع ساختار برخوردار هستند. به علاوه مدل های زمان بندی موجود در ادبیات ساخت ابری معمولا بر این اصل بنا نهاده شده اند که تمام وظایف در لحظه صفر در دسترس هستند و زمان/هزینه لجستیک بین سازمان ها ناچیز است، بنابراین در این مطالعه یک مدل بهینه سازی با سه تابع هدف زمان تکمیل وظایف، هزینه تحمیل شده به سیستم ساخت ابری و کیفیت سرویس های انتخاب شده توسعه داده می شود که به منظور نزدیک شدن به دنیای واقعی سه ویژگی در آن لحاظ شده است: 1- امکان وجود وظایف با دو ساختار سری و موازی، 2- زمان ورود متفاوت وظایف به سیستم ساخت ابری و 3- زمان/هزینه جابجایی بین سازمان های مختلف.روش شناسی پژوهش: ابتدا شش مثال با تعداد وظایف و زیروظایف مختلف با هر دو دسته ساختارهای سری و موازی طراحی می شود، سپس به منظور حل دقیق مدل پیشنهادی و دست یابی به بهینه جهانی، از ابزار CPLEX در نرم افزار GAMS استفاده می شود.یافته ها: جهت بررسی اهمیت ویژگی های مدل توسعه داده شده دو مطالعه مقایسه ای ارایه می شود. در مطالعه مقایسه ای اول، مدل ارایه شده با یک مدل مشابه که در آن فرض شده همه وظایف در لحظه صفر در دسترس هستند مقایسه می شود. درحالی که در مطالعه مقایسه ای دوم اثر در نظر گرفتن زمان/هزینه لجستیک بین سازمان ها در تخصیص زیروظایف به سرویس های موجود در هر سازمان موردبررسی قرار می گیرد. نتایج به دست آمده از مطالعات مقایسه ای میزان گمراه شدن مدیر ساخت ابری در مواجهه با مدل های کاهش داده شده را به خوبی نمایش می دهند.اصالت/ارزش افزوده علمی: برون داد این پژوهش، ارایه مدلی برای زمان بندی هم زمان وظایف با ساختارهای سری و موازی با در نظر گرفتن زمان ورود متفاوت وظایف و لجستیک در سیستم ساخت ابری است.

با پیدایش رایانش ابری، کاربران منابع محاسباتی را بر اساس قانون پرداخت در ازای استفاده از ارایه دهندگان سرویس ابری دریافت می کنند. با توجه به محدودیت و پویایی منابع ابری برای اجرای درخواست های متنوع و متغیر با زمان کاربران، نیازمند یک مکانیزم زمان بندی موثر هستیم که خود را با شرایط پویای سیستم وفق داده و بهره وری منابع و رضایت کاربران را در بلندمدت تامین نماید. الگوریتم های زمان بندی موجود تلاش می کنند با توجه به وضعیت فعلی سیستم، زمان بندی بهینه را بیابند که با توجه به پویایی درخواست های کاربران و عدم درک صحیح زمان بند از محیط لزوما منجر به دستیابی به نتیجه بهینه در بلند مدت نمی گردند و غالبا این الگوریتم ها توانسته اند تنها یکی از پارامترهای کیفیت سرویس را بهبود ببخشند. در ابن مقاله یک روش زمان بندی مبتنی بر روش یادگیری تقویتی پیشنهاد می شود که به دلیل قابلیت تطبیق با محیط و ارایه پاسخ مناسب به درخواست های متغیر با زمان، با تخصیص آینده نگرانه وظایف به منابع منجر به افزایش کارایی سیستم در بلندمدت می گردد. نتایج این مقاله نشان می دهد که روش پیشنهادی نه تنها منجر به کاهش زمان پاسخ، زمان انتظار و زمان تکمیل کار می گردد بلکه نرخ بهره وری منابع را هم به عنوان هدف فرعی افزایش می دهد. روش پیشنهادی در محدوده تعداد وظایف بالا، زمان پاسخ را به طور میانگین حدود 52/49 درصد نسبت به Random، 03/46 نسبت به Mix، 99/43 نسبت به FIFO، 53/43 نسبت به Greedy و 68/38 درصد نسبت به Q-sch بهبود ببخشیده است.

رایانش ابری، مدل شبکه ای جدیدی است که با استفاده از پردازشگرهای متصل به هم امکان انجام دادن عملیات حجیم محاسباتی را میسر می سازد. به خاطر سرویس هایی که توسط محیط ابری ارائه می شود در بین کاربران از محبوبیت بالائی برخوردار است. با توجه به فراوانی کاربران، سرویس دهنده نیاز به مدیریت بار کاری و بهره گیری بهینه از منابع دارد. یکی از مهترین وظایف در ابر نگاشت صحیح وظایف به منابع می باشد، زمان بندی یک وظیفه فرایندی مهم در سیستم های توزیع شده مثل ابر است و تاثیر زیادی روی کارایی سیستم دارد که این امر توسط الگوریتم های زمانبند انجام می شود لذا ارائه و استفاده از الگوریتم زمان بندی کارامد در محیط ابر حائز اهمیت است. راه حل برای اینگونه مسائل با پیچیدگی نمایی، استفاده از روش های فراابتکاری و الگوریتم های بهینه سازی تکاملی می باشد. بدین منظور، در این مقاله جهت به حداقل رساندن زمان انجام وظایف از الگوریتم بهینه سازی گرگر خاکستری (GWO) به صورت چند هدفه استفاده شده است. علت این ارتقاء عملکرد، چند هدفه بودن طرح پیشنهادی نسبت به تک هدفه بودن تابع برازش طرح های پایه (تنها بر مبنای کمینه کردن زمان تکمیل وظایف) می باشد. برای این منظور، جهت شبیه سازی طرح پیشنهادی از محیط کلودسیم و نصب افزونه workflowsimاستفاده شده است.

اینترنت اشیاء ارتباط جهانی و همگانی اشیاء را با شبکه اینترنت توصیف می کند و امکان تبدیل اشیاء به دستگاه های متصل به اینترنت را فراهم می سازد. این اشیاء قادر به درک محیط، انتقال داده ها، پردازش آن ها و ارائه بازخورد به محیط هستند. با گسترش برنامه های مبتنی بر اینترنت اشیاء، حجم درخواست های پردازشی به شدت افزایش یافته و چالش های جدیدی برای مدیریت و پردازش این داده ها ایجاد کرده است. محاسبات ابری قابلیت انجام محاسبات سنگین در زمان کم و هزینه مناسب را ایجاد می کند. برای مدیریت کارآمد منابع و کاهش هزینه ها، استفاده از الگوریتم های فراابتکاری مانند الگوریتم بهینه ساز تعادل، که بر پایه قوانین فیزیکی طراحی شده است، می تواند بسیار مؤثر باشد. در این مقاله، یک مسئله بهینه سازی چندهدفه شامل معیارهایی همچون زمان خاتمه آخرین وظیفه، تأخیر، تعادل بار، پایداری، مصرف انرژی و هزینه پردازش در محیط یکپارچه ابر ارائه شده است. با بهره گیری از الگوریتم بهینه ساز تعادل، این مسئله حل شده و نتایج با الگوریتم های فراابتکاری برجسته مقایسه شده است. نتایج شبیه سازی نشان می دهد که الگوریتم پیشنهادی بهبود قابل توجهی در معیارهای مختلف داشته است. به طور خاص، در تابع زمان خاتمه آخرین وظیفه، الگوریتم پیشنهادی به ترتیب 9٪، 6.2٪، 9٪ و 11٪ نسبت به الگوریتم های PSO، GSA، GWO و FA بهبود یافته است. همچنین، در کاهش تأخیر، این الگوریتم 8٪، 6.7٪، 9.4٪ و 9٪ عملکرد بهتری داشته است. از نظر هزینه پردازش، بهبود 1.3٪ تا 2٪، و در مصرف انرژی کاهش 2٪ تا 3.6٪ را نشان می دهد. در مجموع، برای توابع هدف به صورت همزمان، الگوریتم پیشنهادی حدود 5.6٪ تا 10٪ عملکرد بهتری نسبت به رقبا داشته است. این نتایج برتری الگوریتم پیشنهادی در بهینه سازی همزمان معیارهای مختلف و افزایش کارایی سیستم های رایانش ابری را نشان می دهد.

محاسبات لبه سیار، تکنولوژی نوینی برای بهبود مشکل تأخیر، ظرفیت و منابع موجود در محیط محاسبات ابری سیار است. هدف اصلی در محاسبات لبه سیار، زمان بندی پویا و بارگذاری بهینه با کمترین هزینه در استفاده از منابع است. ما در این مقاله، از یک مدل سیستم سه سطحی دستگاه های سیار، لبه و ابر استاندارد، استفاده و دو الگوریتم بارگذاری و زمان بندی را پیشنهاد می کنیم. یک الگوریتم تصمیم گیری برای بارگذاری وظایف مبتنی بر الگوریتم کوله پشتی حریصانه در سمت دستگاه سیار است که وظایف با انرژی مصرفی بالا را برای بارگذاری انتخاب می کند و باعث صرفه جویی در انرژی مصرفی دستگاه می شود. همچنین در سمت MEC، یک الگوریتم زمان بندی پویا را با اولویت بندی وظایف مبتنی بر فازی جهت اولویت بندی و زمان بندی وظایف بر اساس دو معیار ارائه می کنیم. نتایج عددی نشان می دهند که کار ارائه شده در مقایسه با سایر روش ها باعث کاهش زمان انتظار وظایف برای اجرا، تأخیر و بار سیستم می شود و تعادل سیستم با کمترین تعداد منابع تأمین می گردد و سیستم ارائه شده، مصرف باتری را در دستگاه هوشمند تا حدود 90% کاهش می دهد. نتایج نشان می دهند که بیش از 92% وظایف با موفقیت در محیط لبه اجرا می شوند.

در طول سال های اخیر، یکی از جنبه های مهم محاسبات ابری زمان بندی پویای تعداد زیادی درخواست های وظیفه است که با نرخ متغیر به وسیله کاربران ارسال می شوند. زمان بندی وظیفه یک نقش کلیدی در سیستم های محاسباتی ابر بازی می کند و این نوع زمان بندی بر اساس یک معیار تنها نمی تواند انجام شود بلکه تعداد زیادی قوانین و شرایط به صورت یک توافق بین کاربران و فراهم کنندگان ابر باید در نظر گرفته شوند. درواقع این توافق، کیفیت سرویسی است که کاربران از فراهم کنندگان انتظار دارند. مراکز داده ابر نه تنها باید این وظیفه های عظیم را اجرا کنند بلکه باید نیازمندی های چندگانه کاربران مختلف را ارضاء کنند. در این مقاله، یک استراتژی زمان بندی وظایف چندهدفه با استفاده از مرتب سازی نامغلوب، محاسبه نرخ نرمال و آستانه ارائه می شود. هدف از روش پیشنهاد شده در نظرگیری تعدادی از مهم ترین معیارهای کیفیت سرویس در زمان اجرای وظیفه ها یعنی مهلت زمانی و هزینه می باشد. به علاوه، خصوصیت کشسانی ابر در نظر گرفته می شود. نتایج شبیه سازی بهبود را در شرایطی روی زمان تکمیل کلی، هزینه، میانگین بهره وری ماشین مجازی و نقض مهلت زمانی در مقایسه با الگوریتم های MultiObjective، FCFS، Min-Min، Priority Scheduling و MOF نشان می دهد.

رایانش ابری مفهومی است که اخیرا در دنیای فناوری اطلاعات معرفی شده که محیطی را برای به اشتراک گذاری منابع فراهم می نماید. در محیط رایانش ابری یک سیستم زمانبندی کارا و موثر، نقش کلیدی دارد و در میزان موفقیت آن محیط بسیار تعیین کننده می باشد. از این رو مساله زمان بندی وظایف در رایانش ابری، مساله ای بسیار مهمی محسوب می شود که سعی دارد یک زمان بندی بهینه برای اجرای وظایف و تخصیص منبع بهینه مشخص نماید. این پژوهش با هدف ارایه رویکردی جدید برای بهینه سازی زمان بندی وظایف براساس ترکیبی از الگوریتم تطبیقی پویا و الگوریتم ژنتیک در محیط رایانش ابری انجام گرفته است. مدل ترکیبی، با هدف پوشش دادن نقاط ضعف دو الگوریتم ژنتیک و زمان بندی تطبیقی پویا، ارایه شد که به موجب آن ضعف الگوریتم ژنتیک یعنی سرعت عمل پایین، با ایجاد یک راه حل اولیه مناسب برطرف گردید و همچنین ضعف الگوریتم زمان بندی تطبیقی پویا که همانا به دام افتادن در جواب های محلی است، با استفاده از الگوریتم بهینه سازی تکاملی پوشش داده شد. در مدل پیشنهادی نخست الگوریتم تطبیقی پویا با تکنیک جستجوی منابع مورد نیاز به کمک درخت کی دی و بازیابی داده ها به صورت موازی توانسته است در زمان بسیار خوبی جواب مناسبی برای مساله ی زمان بندی پیدا کند، که به عنوان جواب اولیه به الگوریتم ژنتیک سپرده شد و الگوریتم ژنتیک نیز به جستجوی بهینه می پردازد. در نتیجه الگوریتم نهایی حاصل از ترکیب این دو، توازن بار بهتری برای منابع ابری در مدت زمان نسبتا قابل قبول ارایه می دهد.