پشتیبانی: 09131253620
ارتباط با ما
تلگرام: 09131253620


یکی دیگر از خدمات ما طراحی وب سایتهای واکنشگرا یا Responsive با کیفیت بالا می باشد. برای طراحی این وب سایتها از تکنولوژیهای روز دنیا استفاده می شود.


       
صفحه اصلی  |  فروشگاه ما  |  استخدام  |  نرم افزار مدیریت برنامه غذایی رستوران ها  |  seo تضمینی اصفهان  |  ثبت نام  |  طراحی وب سایت در اصفهان  |  برنامه نویسی اصفهان  |  انجام پروژه های پایگاه داده SQL Server  |  انجام پروژه مهندسی نرم افزار  |  انجام پروژه های مالتی مدیا بیلدر  |  در مورد ما  |  انجام پروژه های اکسس Microsoft access  |  نمونه پروژه ها  |  ارتباط با ما  |  اخبار و مقاله  |  انجمن رفع اشکالات مشتریان
برجسته ترین ها
گروه های مقاله ها
HyperLink


بررسی محاسبات ابری بخش چهار تاریخ درج: ١٣٩۴/٠٨/١٧

عملگر متقاطع

عملگر متقاطع می تواند اعضا ( افراد ) جدیدی را ، با استفاده از جانشینی و اصلاح بخش هایی از والدین ، تولید کند. از طریق هیبریداسیون ، توانایی الگوریتم ژنتیک ، به طور فوق العاده ای بهبود می یابد. زیرا الگوریتم ژنتیک ، از برنامه نویسی درختی استفاده می کند. بنابراین به منظور اطمینان از اعتبار کروموزوم فرزندان ، الگوریتم در این جا نمی تواند هیبریداسیون را شبیه به الگوریتم ژنتیک انجام دهد ، به این معنی که الگوریتم ژنتیک ،که از کدهای باینری که به سادگی در بخش هایی از ژن ها ، مبادله می شوند ، استفاده می کند ، اما ؛ این نوع الگوریتم توانایی این کار را ندارد [28] . در این فصل به شبیه سازی فرایند هیبریداسیون زندگی انسان  می پردازیم  تا اطمینان یابیم که در فرزندان همان نوع ژن های والدین به کار رفته است ، همچنین اعتبار درخت فرزندان تایید شود ، عملکرد هیبریداسیون مانند شکل 5 است. 
 
شکل 1 - 5 - عملگر متقاطع
شکل 1 - 5 - عملگر متقاطع
دو گروه والدین T1 و T2  را  مطابق با الگوریتم چرخشی  ، انتخاب می کنیم. 
دو گروه والدین را به منظور ایجاد یک درخت جدید T0 ، ترکیب می کنیم ، که اعضا را با همان گره های برگ نگهداری می کند و با روش های مختلف مرتب سازی می کند. 
برای گره برگ ها در دو گروه والدین ، ابتدا ، احتمال انتخاب p را مطابق با بار هر VM ، محاسبه می کنیم ، سپس ، براساس p ، آن ها را به کوچکترین بار در گره ها ، تبدیل می کنیم ، این روند تا زمانی ادامه دارد که توزیع کامل شود. 
فرایندهای فوق را تا زمانی که افراد به اندازه کافی تولید شوند ، تکرار می کنیم. 
به منظور دستیابی به تنوع بیشتر ، در همان آغاز عملکرد ژنتیک ، تنوع در جمعیت را حفظ می کنیم و از به وجود آمدن فرزندان زود رس ، جلوگیری می کنیم. به منظور اطمینان از جستجوی منطقه ای ، تغییرات در  عملگر را در زمانی که به بهترین راه حل نزدیک می شوند ؛ کاهش می دهیم. در این فصل از احتمال تغییر خود انطباقی  ، به روش زیر  استفاده می کنیم :
 
در این جا t ، تعداد نسل هاست ، D  مقیاس جمعیت است و M  تعداد VMs ( منابع ماشین مجازی ). با توجه به احتمال تنوع ، افرادی که به طور تصادفی انتخاب می شوند باید متفاوت باشند. به علاوه ؛ برای اجتناب از تکرار همان ژن در یکی از همان کروموزوم ها ، در زمانی که ژن در یک منبع متفاوت در همان کروموزوم باشد ، ژن در منبع ، باید به تغییر کد ژن اصلی در منابع گوناگون ، بپردازد. همانطور که گفته شد ، گره های برگ ، باید پس از تغییر ، عوض شوند. 

1-5-6- استراتژی ( شیوه)  برنامه ریزی  
هدف این بخش ، کشف بهترین راه حل Mapping ، برای ایجاد بزرگترین حد در تعادل بار یا ایجاد کمترین حد در تعادل بار است. در این بخش قصد داریم به کشف یک راه حل برنامه ریزی برای برنامه ریزی رایج ، از طریق الگوریتم ژنتیک ، بپردازیم. و به فسخ  شرط شکار بهترین راه حل برای برنامه ریزی که در یک درخت وجود دارد ، بپردازیم . سپس ، به شیوه برنامه ریزی مطابق با ژن می پردازیم. و یک شیوه برنامه ریزی با کمترین حد ، به عنوان یک راه حل نهایی انتخاب می کنیم. به همین دلیل ، دارای کمترین تاثیر بر روی بار سیستم ، پس از برنامه ریزی است و همچنین دارای کمترین حد برای رسیدن به تعادل بار است. در این روش ، بهترین استراتژی شکل گرفته است. 
1-6- تحلیل های الگوریتم 
1-6-1- الگوریتم برنامه ریزی جهانی 
برنامه ریزی منابع VM  را در محیط محاسبات ابری ، بررسی می کنیم و با مزیت الگوریتم ژنتیک ، آشنا می شویم ، این بخش یک برنامه ریزی متعادل برای منابع VM ، ارائه می کند که براساس الگوریتم ژنتیک است. به این صورت که از مقدار دهی اولیه در محیط محاسبات ابری شروع می کند ؛ همچنین به جستجوی بهترین روش برنامه ریزی با استفاده از الگوریتم ژنتیک می پردازد. در زمانی که هیچ منبع VM در کل سیستم موجود نباشد ، از الگوریتم ، برای انتخاب روش برنامه ریزی ، براساس احتمالات محاسبه شده ، استفاده می کنیم. با افزایش منابع VM و افزایش زمان اجرا ، مطابق با داده های قدیم  و بیانات رایج ، تاثیر این موضوع را در زمانی که منابع VM نیاز به مرتب شدن در هر گره فیزیکی دارند ، را  بررسی می کنیم و پس از آن بهترین روش را انتخاب می کنیم. فرایند ها و روش های اصلی شامل موارد زیر می باشد : 
مرحله اول - در مقدار دهی اولیه ؛ هیچ نوع از منابع VM در سیستم وجود ندارد ، بنابراین هیچ نوع اطلاعات قدیمی در آن موجود نمی باشد. وقتی منابع VM ، برای برنامه ریزی کردن موجود باشند ، براساس احتمالات محاسبه شده ، الگوریتم ها به طور تصادفی ، ماشین های فیزیکی را انتخاب و شروع به برنامه ریزی می کنند. 
مرحله دوم - با افزایش منابع VM در سیستم و افزایش زمان اجرای آن ، مطابق با اطلاعات قدیمی و بیانات رایج ، الگوریتم ها ، بار و اختلاف ( واریانس ) هر ماشین فیزیکی را محاسبه می کنند. در هر مرحله و روش  برنامه ریزی  ، روش S را قرار می دهیم. 
مرحله سوم - این روش از الگوریتم ژنتیک استفاده می کند و بهترین روش Mapping را در روش S محاسبه می کند و به یکی از این واریانس ها ، ارجاع می دهد و محدودیت های از پیش تعریف شده را برطرف می کند. 
مرحله چهارم - الگوریتم ، مقسوم علیه را در هر روش S محاسبه می کند تا به بهترین روش Mapping ، دست پیدا کند. 
مرحله پنجم- الگوریتم ؛ مطابق با مقسوم علیه در هر روش ، کوچکترین حد را در هر روش برنامه ریزی انتخاب می کند و برنامه ریزی را تکمیل می کند. 
مرحله ششم – باید بررسی کرد که آیا منابع  جدید VM ، نیاز به برنامه ریزی دارند یا خیر ، سپس ، به مرحله ی دوم ، مراجعه می کنیم. 
در هر روش برنامه ریزی ، از الگوریتم ژنتیک برای کشف بهترین روش برنامه ریزی ، استفاده می کنیم. به دلیل تجمع بهترین روش های برنامه ریزی ؛ همیشه بهترین روش برنامه ریزی ، از طریق تعادل بار بدست می آید. اگرچه اختلاف زیادی در بار سیستم وجود دارد که از دلایل خاصی ناشی می شود ولی با این روش می توان یک روش برنامه ریزی با کمترین هزینه برای به تعادل رساندن بار در سیستم به وجود آورد. 
1-6-2- تجزیه و تحلیل سخت گیری از الگوریتم ژنتیک 
برای تست سخت گیری از الگوریتم ژنتیک ، آزمایشات زیر را انجام می دهیم. فرض می کنیم که 5 عدد ماشین فیزیکی دارم و تعداد VMs ها ، 15 است. روش Mapping  ، میان ماشین های فیزیکی و VMs در شکل 6 نشان داده شده است. میانگین بار در هر VM در دوره زمانی T در جدول 1 ، نشان داده شده است. در همین حال ، با توجه به شرایط کل سیستم ، فرض های زیر را در نظر می گیریم. مقیاس جمعیت D=50 است ، احتمال تکرار P=0.1 است ، احتمال هیبریداسیون P=0.9  است ، احتمال تغییرات مساوی با احتمال خود انطباقی است. به علاوه ، مطابق با این نظریه ، نتیجه گیری می کنیم که احتمال هیبریداسیون  [0.1]  Pϵ است ، احتمال تغییرات برابر با  (0.1) Pmϵ  است. هنگامی که سیستم ،دارای  محدودیت تنوع در بار باشد ،=0.5   σ است. سرانجام از طریق آزمایشات به یک روش Mapping ، دست یافتیم که در شکل 6 نشان داده شده است.

تگها: cloudcomputing   الگوریتم برنامه ریزی جهانی   تجزیه و تحلیل سخت گیری از الگوریتم ژنتیک   عملگر متقاطع   محاسبات ابری   
 

HyperLink

ارسال نظر در مورد این مطلب
نام :  
آدرس ایمیل :  
متن پیام :  
کد امنیتی :  
   
   
نظری برای نمایش وجود ندارد
 
این مطلب را به اشتراک بگذارید: