2025-02-23T00:16:53-05:00 DEBUG: VuFindSearch\Backend\Solr\Connector: Query fl=%2A&wt=json&json.nl=arrarr&q=id%3A%22journaliasakpiua-article-263013%22&qt=morelikethis&rows=5

2025-02-23T00:16:53-05:00 DEBUG: VuFindSearch\Backend\Solr\Connector: => GET http://localhost:8983/solr/biblio/select?fl=%2A&wt=json&json.nl=arrarr&q=id%3A%22journaliasakpiua-article-263013%22&qt=morelikethis&rows=5

2025-02-23T00:16:53-05:00 DEBUG: VuFindSearch\Backend\Solr\Connector: <= 200 OK

2025-02-23T00:16:53-05:00 DEBUG: Deserialized SOLR response

Економічно ефективний гібридний генетичний алгоритм планування робочого процесу в хмарі

Cloud computing plays a significant role in everyone’s lifestyle by snugly linking communities, information, and trades across the globe. Due to its NP-hard nature, recognizing the optimal solution for workflow scheduling in the cloud is a challenging area. We proposed a hybrid meta-heuristic cost-e...

Full description

Saved in:

Bibliographic Details
Main Authors:	Bothra, Sandeep Kumar, Singhal, Sunita, Goyal, Hemlata
Format:	Article
Language:	English
Published:	The National Technical University of Ukraine "Igor Sikorsky Kyiv Polytechnic Institute" 2022
Subjects:	хмарні обчислення економічно вигідні генетичний алгоритм метагевристичний алгоритм прогнозування раннього часу оброблення планування робочого процесу cloud computing cost effective genetic algorithm metaheuristic algorithm predict earliest finish time Workflow scheduling
Online Access:	http://journal.iasa.kpi.ua/article/view/263013
Tags:	Add Tag No Tags, Be the first to tag this record!

id	journaliasakpiua-article-263013
record_format	ojs
institution	System research and information technologies
collection	OJS
language	English
topic	хмарні обчислення економічно вигідні генетичний алгоритм метагевристичний алгоритм прогнозування раннього часу оброблення планування робочого процесу cloud computing cost effective genetic algorithm metaheuristic algorithm predict earliest finish time Workflow scheduling
spellingShingle	хмарні обчислення економічно вигідні генетичний алгоритм метагевристичний алгоритм прогнозування раннього часу оброблення планування робочого процесу cloud computing cost effective genetic algorithm metaheuristic algorithm predict earliest finish time Workflow scheduling Bothra, Sandeep Kumar Singhal, Sunita Goyal, Hemlata Економічно ефективний гібридний генетичний алгоритм планування робочого процесу в хмарі
topic_facet	хмарні обчислення економічно вигідні генетичний алгоритм метагевристичний алгоритм прогнозування раннього часу оброблення планування робочого процесу cloud computing cost effective genetic algorithm metaheuristic algorithm predict earliest finish time Workflow scheduling
format	Article
author	Bothra, Sandeep Kumar Singhal, Sunita Goyal, Hemlata
author_facet	Bothra, Sandeep Kumar Singhal, Sunita Goyal, Hemlata
author_sort	Bothra, Sandeep Kumar
title	Економічно ефективний гібридний генетичний алгоритм планування робочого процесу в хмарі
title_short	Економічно ефективний гібридний генетичний алгоритм планування робочого процесу в хмарі
title_full	Економічно ефективний гібридний генетичний алгоритм планування робочого процесу в хмарі
title_fullStr	Економічно ефективний гібридний генетичний алгоритм планування робочого процесу в хмарі
title_full_unstemmed	Економічно ефективний гібридний генетичний алгоритм планування робочого процесу в хмарі
title_sort	економічно ефективний гібридний генетичний алгоритм планування робочого процесу в хмарі
title_alt	Cost effective hybrid genetic algorithm for workflow scheduling in cloud
description	Cloud computing plays a significant role in everyone’s lifestyle by snugly linking communities, information, and trades across the globe. Due to its NP-hard nature, recognizing the optimal solution for workflow scheduling in the cloud is a challenging area. We proposed a hybrid meta-heuristic cost-effective load-balanced approach to schedule workflow in a heterogeneous environment. Our model is based on a genetic algorithm integrated with predict earliest finish time (PEFT) to minimize makespan. Instead of assigning the task randomly to a virtual machine, we apply a greedy strategy that assigns the task to the lowest-loaded virtual machine. After completing the mutation operation, we verify the dependency constraint instead of each crossover operation, which yields a better outcome. The proposed model incorporates the virtual machine’s performance variance as well as acquisition delay, which concedes the minimum makespan and computing cost. One of the most astounding aspects of our cost-effective hybrid genetic algorithm (CHGA) is its capacity to anticipate by creating an optimistic cost table (OCT) while maintaining quadratic time complexity. Based on the results of our meticulous experiments on some real-world workflow benchmarks and comprehensive analysis of some recently successful scheduling algorithms, we concluded that the performance of our CHGA is melodious. CHGA is 14.58188%, 11.40224%, 11.75306%, and 9.78841% cheaper than standard Ant Colony Optimization (ACO), Particle Swarm Optimization (PSO), Cost Effective Genetic Algorithm(CEGA), and Cost-Effective Load-balanced Genetic Algorithm (CLGA), respectively.
publisher	The National Technical University of Ukraine "Igor Sikorsky Kyiv Polytechnic Institute"
publishDate	2022
url	http://journal.iasa.kpi.ua/article/view/263013
work_keys_str_mv	AT bothrasandeepkumar costeffectivehybridgeneticalgorithmforworkflowschedulingincloud AT singhalsunita costeffectivehybridgeneticalgorithmforworkflowschedulingincloud AT goyalhemlata costeffectivehybridgeneticalgorithmforworkflowschedulingincloud AT bothrasandeepkumar ekonomíčnoefektivnijgíbridnijgenetičnijalgoritmplanuvannârobočogoprocesuvhmarí AT singhalsunita ekonomíčnoefektivnijgíbridnijgenetičnijalgoritmplanuvannârobočogoprocesuvhmarí AT goyalhemlata ekonomíčnoefektivnijgíbridnijgenetičnijalgoritmplanuvannârobočogoprocesuvhmarí
first_indexed	2024-04-08T15:08:06Z
last_indexed	2024-04-08T15:08:06Z
_version_	1795779604097531904
spelling	journaliasakpiua-article-2630132022-12-21T22:15:21Z Cost effective hybrid genetic algorithm for workflow scheduling in cloud Економічно ефективний гібридний генетичний алгоритм планування робочого процесу в хмарі Bothra, Sandeep Kumar Singhal, Sunita Goyal, Hemlata хмарні обчислення економічно вигідні генетичний алгоритм метагевристичний алгоритм прогнозування раннього часу оброблення планування робочого процесу cloud computing cost effective genetic algorithm metaheuristic algorithm predict earliest finish time Workflow scheduling Cloud computing plays a significant role in everyone’s lifestyle by snugly linking communities, information, and trades across the globe. Due to its NP-hard nature, recognizing the optimal solution for workflow scheduling in the cloud is a challenging area. We proposed a hybrid meta-heuristic cost-effective load-balanced approach to schedule workflow in a heterogeneous environment. Our model is based on a genetic algorithm integrated with predict earliest finish time (PEFT) to minimize makespan. Instead of assigning the task randomly to a virtual machine, we apply a greedy strategy that assigns the task to the lowest-loaded virtual machine. After completing the mutation operation, we verify the dependency constraint instead of each crossover operation, which yields a better outcome. The proposed model incorporates the virtual machine’s performance variance as well as acquisition delay, which concedes the minimum makespan and computing cost. One of the most astounding aspects of our cost-effective hybrid genetic algorithm (CHGA) is its capacity to anticipate by creating an optimistic cost table (OCT) while maintaining quadratic time complexity. Based on the results of our meticulous experiments on some real-world workflow benchmarks and comprehensive analysis of some recently successful scheduling algorithms, we concluded that the performance of our CHGA is melodious. CHGA is 14.58188%, 11.40224%, 11.75306%, and 9.78841% cheaper than standard Ant Colony Optimization (ACO), Particle Swarm Optimization (PSO), Cost Effective Genetic Algorithm(CEGA), and Cost-Effective Load-balanced Genetic Algorithm (CLGA), respectively. Облачные вычисления играют важную роль в образе жизни каждого человека, тесно связывая сообщества, информацию и сделки по всему миру. Признание оптимального решения для планирования рабочих процессов в облаке является сложной областью из-за его NP-твердого характера. Мы предложили гибридный мета-эвристический рентабельный подход с балансировкой нагрузки для планирования рабочего процесса в гетерогенной среде. Наша модель основана на генетическом алгоритме, интегрированном с прогнозированием самого раннего времени окончания ( PEFT ), чтобы минимизировать время прокачки. Вместо случайного назначения задачи на виртуальной машине мы применяем жадную стратегию, которая выделяет задачу на самую низкую загруженную виртуальную машину. После завершения операции мутации мы проверяем ограничение зависимости вместо каждой операции кроссовера, что дает лучший результат. Предлагаемая модель включает в себя разницу производительности виртуальной машины, а также задержку приобретения, что обеспечивает минимальную стоимость изготовления и вычислительной техники. Одним из наиболее поразительных аспектов нашего экономически эффективного гибридного генетического алгоритма ( CHGA ) является его способность предвидеть путем создания оптимистичной таблицы затрат ( OCT ) при сохранении квадратичной временной сложности. Основываясь на результатах наших тщательных экспериментов по некоторым реальным контрольным показателям рабочего процесса и всестороннему анализу некоторых недавно успешных алгоритмов планирования, мы пришли к выводу, что производительность нашей CHGA мелодична. Хмарні обчислення відіграють значну роль у способі життя кожного, щільно пов’язуючи спільноти, інформацію та торги по всьому світу. Розпізнавання оптимального рішення для планування робочих процесів у хмарі є складною сферою через його NP-жорсткий характер. Запропоновано гібридний метаевристичний економічно ефективний збалансований за навантаженням підхід до планування робочого процесу в гетерогенному середовищі. Модель ґрунтується на генетичному алгоритмі, інтегрованому з прогнозом найбільш раннього часу фінішу (PEFT), щоб мінімізувати makepan. Замість призначення завдання випадковим чином на віртуальній машині застосовуємо жадібну стратегію, яка відводить завдання на віртуальну машину з найменш завантаженим. Після завершення операції мутації перевіряємо обмеження залежності замість кожної операції кросовера, що дає кращий результат. Запропонована модель включає в себе дисперсію продуктивності віртуальної машини, а також затримку придбання, яка поступається мінімальній вартості makepan і computing. Одним з найбільш приголомшливих аспектів економічно ефективного гібридного генетичного алгоритму ( CHGA ) є його здатність передбачати, створюючи оптимістичну таблицю витрат ( OCT ), зберігаючи квадратичну складність часу. На основі результатів ретельних експериментів над деякими показниками робочого процесу в реальному світі та всебічного аналізу деяких нещодавно успішних алгоритмів планування отримано висновок, що продуктивність запропонованої CHGA є мелодійною. The National Technical University of Ukraine "Igor Sikorsky Kyiv Polytechnic Institute" 2022-10-30 Article Article application/pdf http://journal.iasa.kpi.ua/article/view/263013 10.20535/SRIT.2308-8893.2022.3.08 System research and information technologies; No. 3 (2022); 121-138 Системные исследования и информационные технологии; № 3 (2022); 121-138 Системні дослідження та інформаційні технології; № 3 (2022); 121-138 2308-8893 1681-6048 en http://journal.iasa.kpi.ua/article/view/263013/265046

Економічно ефективний гібридний генетичний алгоритм планування робочого процесу в хмарі

Similar Items