عنوان مقاله :
ارائه يك الگوريتم بهبوديافته بهينه سازي گرگ هاي خاكستري براي زمان‌بندي جريان كار در محيط محاسبات ابري
عنوان به زبان ديگر :
An Improved Grey Wolves Optimization Algorithm for Workflow Scheduling in Cloud Computing Environment
پديد آورندگان :
محمدزاده، علي دانشگاه آزاد اسلامي واحد اروميه - گروه مهندسي كامپيوتر , مصدري، محمد دانشگاه آزاد اسلامي واحد اروميه - گروه مهندسي كامپيوتر , سليمانيان قره چپق، فرهاد دانشگاه آزاد اسلامي واحد اروميه - گروه مهندسي كامپيوتر , جعفريان، احمد دانشگاه آزاد اسلامي واحد اروميه - گروه رياضي
كليدواژه :
الگوريتم هاي تكاملي , الگوريتم گرگ هاي خاكستري , فرا ابتكاري , بهينه سازي
چكيده فارسي :
در اين مقاله يك الگوريتم فرا ابتكاري بهبوديافته بر اساس الگوريتم فرا ابتكاري گرگ هاي خاكستري به‌منظور حل مسائل بهينه سازي ارائه مي گردد. در الگوريتم پيشنهادي ضعيف ترين گرگ ها از جمعيت حذف‌شده و با گرگ هاي ديگري از جمعيت اوليه جاگذاري مي شود. انتخاب گرگ هاي جاگذاري شده به‌صورت تصادفي يا بر اساس برازندگي خواهد بود. در اين الگوريتم برازندگي مكان ذرات در هر تكرار بررسي‌شده و در صورت بهبود برازندگي، گرگ ها به سمت هدف حركت مي كنند، در غير اين صورت در آخرين وضعيت مناسب باقي مي مانند. اين الگوريتم باهدف بهبود عملكرد جستجو در مقابله با مسائل مختلف، افزايش سرعت همگرايي و جلوگيري از گير افتادن در بهينه محلي ارائه‌شده است. شبيه‌سازي در نرم افزار متلب بر روي 23 تابع استاندارد رياضي بهينه سازي مختلف اجراشده است. با بررسي عملكرد و مقايسه آماري نتايج به‌دست‌آمده از الگوريتم جديد با الگوريتم گرگهاي خاكستري پايه و چند الگوريتم ديگر به اين نتيجه مي رسيم كه با تنظيم مناسب پارامترها بهبودهاي انجام‌شده تأثير بسزايي در عملكرد الگوريتم بر روي توابع مختلف دارند.
چكيده لاتين :
In this paper, an improved metaheuristic algorithm based on Grey Wolf Optimizer algorithm is
proposed for solve optimization problems. In the proposed algorithm, the weakest of wolves would be excluded
from the population and included with other wolves from the initial population. The choice of placed wolves
would be random or fitness basis. In this algorithm, the spatial fitness of the particles is studied in each iteration,
and in the case of improving the fitness basis, the wolves are moving toward the target. Otherwise, they remain
in the last fit state. This algorithm is designed to improve the search performance against various issues, increase
convergence speed, and avoid local optimal. Simulation has been done in Matlab software and it has been
implemented with 23 different optimization mathematical functions. By examining the results and comparing the
results of the results obtained from the new algorithm, Grey wolf optimizer algorithm, and several other
algorithms, we conclude that by adjusting the parameters, the performed improvements have a significant effect
on the performance of the algorithm on different functions.
عنوان نشريه :
رايانش نرم و فناوري اطلاعات
