Cost effective hybrid genetic algorithm for workflow scheduling in cloud

Скорочена інформація про документ
dc.contributor.authorKumar Bothra, Sandeep
dc.contributor.authorSinghal, Sunita
dc.contributor.authorGoyal, Hemlata
dc.date.accessioned2023-05-01T14:07:28Z
dc.date.available2023-05-01T14:07:28Z
dc.date.issued2022
dc.description.abstractCloud 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 Loadbalanced Genetic Algorithm (CLGA), respectively.uk
dc.description.abstractotherХмарні обчислення відіграють значну роль у способі життя кожно- го, щільно пов’язуючи спільноти, інформацію та торги по всьому світу. Розпі- знавання оптимального рішення для планування робочих процесів у хмарі є складною сферою через його NP-жорсткий характер. Запропоновано гібрид- ний метаевристичний економічно ефективний збалансований за навантажен- ням підхід до планування робочого процесу в гетерогенному середовищі. Мо- дель 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 за- лежності замість кожної операції кросовера, що дає кращий результат. Запро- понована модель включає в себе дисперсію продуктивності віртуальної маши- ни, 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 пе- редбачати, створюючи оптимістичну таблицю витрат ( OCT ), зберігаючи ква- дратичну складність часу. На основі результатів ретельних експериментів над деякими показниками робочого процесу в реальному світі та всебічного аналі- зу деяких нещодавно успішних алгоритмів планування отримано висновок, що продуктивність запропонованої CHGA є мелодійною.uk
dc.format.pagerangeС. 121-138uk
dc.identifier.citationKumar Bothra, S. Cost effective hybrid genetic algorithm for workflow scheduling in cloud / Sandeep Kumar Bothra, Sunita Singhal, Hemlata Goyal // Системні дослідження та інформаційні технології : міжнародний науково-технічний журнал. – 2022. – № 3. – С. 121-138. – Бібліогр.: 34 назв.uk
dc.identifier.doihttps://doi.org/10.20535/SRIT.2308-8893.2022.3.08
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/55155
dc.language.isoenuk
dc.publisherКПІ ім. Ігоря Сікорськогоuk
dc.publisher.placeКиївuk
dc.relation.ispartofСистемні дослідження та інформаційні технології : міжнародний науково-технічний журнал, № 3uk
dc.subjectcloud computinguk
dc.subjectcost effectiveuk
dc.subjectgenetic algorithmuk
dc.subjectmetaheuristic algorithmuk
dc.subjectpredict earliest finish timeuk
dc.subjectWorkflow schedulinguk
dc.subjectхмарні обчисленняuk
dc.subjectекономічно вигідніuk
dc.subjectгенетичний алгоритмuk
dc.subjectметагевристичний алгоритмuk
dc.subjectпрогнозування раннього часу обробленняuk
dc.subjectпланування робочого процесуuk
dc.subject.udc519-62uk
dc.titleCost effective hybrid genetic algorithm for workflow scheduling in clouduk
dc.title.alternativeЕкономічно ефективний гібридний генетичний алгоритм планування робочого процесу в хмаріuk
dc.typeArticleuk

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
2022_3_121-138.pdf
Розмір:
1.07 MB
Формат:
Adobe Portable Document Format
Опис:
Завантажити
Ліцензійна угода
Зараз показуємо 1 - 1 з 1
Ескіз недоступний
Назва:
license.txt
Розмір:
9.1 KB
Формат:
Item-specific license agreed upon to submission
Опис:
Завантажити

Зібрання

Системні дослідження та інформаційні технології: міжнародний науково-технічний журнал, № 3