مقاله هوش مصنوعی در رایانش ابری

دانلود تحقیق و مقالات رشته کامپیوتر با عنوان مقاله هوش مصنوعی در رایانش ابری در قالب ورد و قابل ویرایش و در ۲۳ صفحه گرد آوری شده است. در زیر به مختصری از آنچه شما در این فایل دریافت می کنید اشاره شده است.

مقاله هوش مصنوعی در رایانش ابری

چکیده:
امروزه در مباحث کامپیوتری کمتر بحثی وجود دارد که در آن شاهد آثار هوش مصنوعی نباشیم. حال اگر بخواهیم به نقش هوش مصنوعی در رایانش ابری به پردازیم باید گفت سیتم عاملی که از رایانش ابری پشتیبانی میکند بر پایه الگوریتم هایی پیاده سازی شده است که هوش مصنوعی یکی از ارکان اصلی آن میباشد و به طور خلاصه عوامل:
{شبکه های عصبی– الگوریتم های تکاملی– منطق فازی– هوش مصنوعی} + {سخت افزار و شبکه های کامپیوتری و مخابراتی پیشرفته}
ارکان اصلی و مکمل  در رایانش ابری می باشند. حال ما در این مبحث به گوشه ای از عملکرد هوش مصنوعی در رایانش ابری خواهیم پرداخت.

مقایسه الگوریتم های تکاملی و زمانبندی در محاسبات رایانشی
امروزه با توجه به توسعه فناوری اطلاعات و ارتباطات بحث هایی مانند کاهش هزینه،کارایی و سرعت. باعث ایجاد تحولات روز افزون در دنیای اینترنت شده است.در این راستا مساله مهمی بعنوان توازن بار رایانش در شبکه ابری مطرح شده است که خود باعث بالا رفتن و افزایش کارایی محاسبات ابری و انتخاب مناسب ترین ماشین مجازی برای انجام یک کار خاص می باشد.که تا حد زیادی کارایی را بهبود خواهد بخشید. و سرویس دهی را بصورتی متعادل انجام می دهد.
الگوریتم هایی که تا بحال برای حل مسئله توازن بار در رایانش ابری بکار برده شده اند عبارتند از الگوریتم های تکاملی و هوش مصنوعی از جمله الگوریتم ژنتیک –کولونی مورچگان –کلونی زنبور عسل و الگوریتم های زمانبندی چرخشی. مانند

فهرست مطالب:
چکیده
۱- مقدمه
۲- الگوریتم های تکاملی
۲-۱- الگوریتم کلنی زنبور عسل
۲-۲- الگوریتم کلنی مورچگان
۲-۳- الگوریتم ژنتیک
۲-۳-۱-الگوریتم ژنتیک ترکیبی
۳-ابزار های شبیه سازی محیط های ابری
۴-روش توازن بار در هرکدام از الگوریتم ها
۴-۱-۱-الگوریتم ژنتیک ترکیبی
۴-۱-۲-الگوریتم کلنی زنبور عسل
۴-۱-۳-الگوریتم کلنی مورچگان
۴-۲-۱-مدل زمانبندی منابع ابری تطابقی
۵- نتیجه گیری
۶- مراجع

مراجع

[۱] Barham, Paul, et al. “Xen and the art of virtualization.” ACM SIGOPS Operating Systems Review 37.5 (2003): 164-177.
[۲] Sivanandam, S. N., and S. N. Deepa. Introduction to genetic algorithms. Springer Publishing Company, Incorporated, 2007.
[۳] P. Brucker, Scheduling Algorithms, 2nd ed., Springer-Verlag, 1997.
[۴] Zhu, Kai, et al. “Hybrid Genetic Algorithm for Cloud Computing Applications.” Services
Computing Conference (APSCC), 2011 IEEE Asia-Pacific. IEEE, 2011.
[۵] Babu, L. D., and P. Venkata Krishna. “Honey bee behavior inspired load balancing of tasks in cloud computing environments.” Applied Soft Computing(2013).
[۶] Lu, Xin, and Zilong Gu. “A load-adapative cloud resource scheduling model based on ant colony algorithm.” Cloud Computing and Intelligence Systems (CCIS), 2011 IEEE International Conference on. IEEE, 2011.
[۷] Gambardella, Luca Maria, Fabio De Luigi, and Vittorio Maniezzo. “Ant Colony Optimization.” Istituto Dalle Molle di Studi sull’Intelligenza Artificiale Galleria 2 (2004).
[۸] Mondal, Brototi, Kousik Dasgupta, and Paramartha Dutta. “Load Balancing in Cloud Computing using Stochastic Hill Climbing-A Soft Computing Approach.” Procedia Technology 4 (2012): 783-789.