دکتر محمد دوستی زاده نشریه علمی-تخصصی دستاوردهای نوین در برق،کامپیوتر و فناوری 4 ۱۱ 2024 09 19 A New Shuffled Genetic-based Task Scheduling Algorithm in Heterogeneous Distributed Systems یک الگوریتم جدید برنامه‌ریزی مبتنی بر ژنتیک در سیستم‌های پراکنده ناهمگن 67 87 10.22051/jera.2021.31891.2698 FA علیرضا موسسه آموزش عالی غیردولتی انتفاعی لامعی گرگانی،،گرگان،ایران رضا موسسه آموزش عالی غیردولتی انتفاعی لامعی گرگانی،،گرگان،ایران 2024 09 08 Distributed systems such as Grid- and Cloud Computing provide web services to their users worldwide. One of the most important concerns that these service providers face is total cost of ownership (TCO). A large portion of TCO is related to power consumption due to inefficient resource management. Task scheduling module as a key component can have a great impact on user response time and underlying resource utilization. Such heterogeneous distributed systems have used different processors with different speeds and architectures. Also, the user program, which is usually represented as a directed acyclic graph (DAG), must be executed on these types of parallel processing systems. Since work scheduling in such complex systems is part of NP-hard problems, the existing heuristic approaches are no longer efficient. Therefore, the workflow is to use hybrid meta-heuristic approaches. In this paper, we have presented a meta-heuristic genetic shuffled task scheduling algorithm to minimize the total execution time and duration of user programs. In this regard, we take advantage of other heuristic methods such as Heterogeneous Fastest Termination Time (HEFT) to generate an intelligent initial population using a new hybrid operator, which creates a wealth for exploring feasible and promising individuals in the search space. We also direct other genetic operators in the correct way to produce a near-optimal final solution. To achieve tangible results, we have performed several scenarios. Compared to other existing approaches such as HEFT and QGARAR versions, our proposed algorithm has performed better in terms of average duration. سیستم های توزیع شده مانند Grid- و Cloud Computing خدمات وب را در سراسر جهان به کاربران خود ارائه می‏دهند. یکی از مهم ترین نگرانی هایی که ارائه دهندگان این خدمات با آن مواجه هستند، رسیدگی به هزینه کل مالکیت (TCO) است. بخش بزرگی از TCO مربوط به مصرف برق به دلیل مدیریت ناکارآمد منابع است. ماژول زمان‌بندی کار به‌ عنوان یک جزء کلیدی می‌تواند تأثیر زیادی بر زمان پاسخ کاربر و استفاده از منابع اساسی داشته باشد. چنین سیستم های توزیع ناهمگنی، پردازنده های مختلف را با سرعت و معماری های متفاوت بکار برده اند. همچنین، برنامه کاربری که معمولاً به صورت گراف غیر چرخه ای جهت دار (DAG) ارائه می شود باید بر روی این نوع سیستم های پردازش موازی اجرا شود. از آنجایی که زمان‌بندی کار در چنین سیستم‌های پیچیده‏ای جزء مسائل NP-hardاست رویکردهای اکتشافی موجود، دیگر کارآمد نیستند. بنابراین، روند کار استفاده از رویکردهای فراابتکاری ترکیبی است. در این مقاله، ما یک الگوریتم زمان‌بندی کار مبتنی بر ژنتیک به هم ریخته فراابتکاری را ارایه داده‏ایم تا زمان کل اجرا و طول زمان برنامه‏های کاربر را به حداقل برسانیم. در این راستا، ما از روش‌های اکتشافی دیگری مانند سریعترین زمان پایان ناهمگن (HEFT) برای تولید جمعیت اولیه هوشمند با استفاده از یک عملگر ترکیبی جدید بهره می‌بریم که برای کاوش افراد امکان‌پذیر و امیدوارکننده در فضای جستجو، ثروت زیادی ایجاد می‌کند. ما همچنین سایر اپراتورهای ژنتیکی را به روش صحیح هدایت می کنیم تا راه حل نهایی نزدیک به بهینه را تولید کنیم. برای رسیدن به نتایج ملموس ما چندین سناریو را انجام داده ایم. الگوریتم پیشنهادی ما در مقایسه با سایر رویکردهای موجود مانند نسخه‌های HEFT و QGARAR از نظر میانگین طول زمان، عملکرد بهتری داشته است /downloadfilepdf/1718879