زمانبندی کار چند هدفه برای به حداقل رساندن مصرف انرژی و محاسبات ابری با استفاده از الگوریتم NSGA – II

استفاده از خدمات ابر به طور قابل‌توجهی به دلیل سهولت دسترسی، عملکرد بهتر، و کاهش در هزینه اولیه بالا افزایش‌یافته است. به طور کلی، کاربران ابر تکمیل وظایف خود را بدون هیچ تاخیری پیش‌بینی می‌کنند، در حالی که ارائه دهندگان ابر مشتاق کاهش هزینه انرژی هستند، که یکی از هزینه‌های اصلی در محیط خدمات ابر است. با این حال، کاهش مصرف انرژی زمان را افزایش داده و منجر به نارضایتی مشتری می‌شود. بنابراین، ضروری است که مجموعه‌ای از راه‌حل‌های غیر غالب برای این اهداف چندگانه و متناقض (‏زمان و مصرف انرژی)‏بدست آید. به منظور کنترل موثر مصرف انرژی، سیستم مقیاس بندی بسامد ولتاژ پویا در روند بهینه‌سازی گنجانده شده و مجموعه‌ای از راه‌حل‌های غیر غالب با استفاده از الگوریتم ژنتیک مرتب‌سازی غیر مغلوب الگوریتم (‏NSGA – II)‏به دست می‌آیند. علاوه بر این، شبکه عصبی مصنوعی (‏ANN)‏، که یکی از موفق‌ترین الگوریتم های یادگیری ماشین است، برای پیش‌بینی ماشین‌های مجازی براساس ویژگی‌های وظایف و ویژگی‌های منابع استفاده می‌شود. راه‌حل‌های بهینه به‌دست‌آمده با استفاده از فرآیند بهینه‌سازی با حمایت ANN و بدون حمایت ANN ارائه و

The utilization of cloud services has significantly increased due to the easiness in accessibility, better performance, and decrease in the high initial cost. In general, cloud users anticipate completing their tasks without any delay, whereas cloud providers yearn for reducing the energy cost, which is one of the major costs in the cloud service environment. However, reducing energy consumption increases the makespan and leads to customer dissatisfaction. So, it is essential to obtain a set of non-domination solutions for these multiple and conflicting objectives (makespan and energy consumption). In order to control the energy consumption efficaciously, the Dynamic Voltage Frequency Scaling system is incorporated in the optimization procedure and a set of non-domination solutions are obtained using Non-dominated Sorting Genetic Algorithm (NSGA-II). Further, the Artificial Neural Network (ANN), which is one of the most successful machine learning algorithms, is used to predict the vi