چکیده مقاله
رایانش ابری به عنوان یکی از ستون های فناوری مدرن شناخته می شود، با این حال، بهینه سازی تخصیص منابع در حالی که پایداری حفظ شود، همچنان یک چالش مهم است این پژوهش به بررسی کاربرد نظریه بازی فازی در بهینه سازی تخصیص انرژی های تجدیدپذیر در مراکز داده ابری CDCs بر پایه مهاجرت ماشین های مجازی VM می پردازد، با هدف افزایش کارایی انرژی و بهبود عملکرد سیستم هدف مطالعه، ارتقای فرآیند تصمیم گیری در محیط های ابری از طریق ادغام منطق فازی با بهینه سازی مبتنی بر نظریه بازی است رویکرد پیشنهادی بر اساس الگوریتم GTGWO Game Theory enhanced Gray Wolf Optimizer طراحی شده است که از قواعد فازی برای مدل سازی عدم قطعیت های دینامیک سیستم های ابری بهره می برد مدل پیشنهادی با استفاده از مجموعه ای از سناریوهای شبیه سازی رایانش ابری، شامل بارهای کاری متغیر و دسترسی متفاوت به انرژی های تجدیدپذیر در چندین مرکز داده، پیاده سازی و ارزیابی شد نتایج نشان می دهد که الگوریتم GTGWO به طور قابل توجهی از الگوریتم های بهینه سازی سنتی عملکرد بهتری دارد و نسبت به روش های موجود تا ۲ ۱۷٪ افزایش استفاده از انرژی های تجدیدپذیر را به همراه دارد این پژوهش نتیجه گیری می کند که ادغام نظریه بازی فازی راهکاری کارآمدتر و قابل تفسیر برای بهینه سازی مصرف انرژی در سیستم های رایانش ابری ارائه می دهد و دیدگاه های ارزشمندی برای مدیریت پایدار زیرساخت های ابری فراهم می کند
کلیدواژهها
نویسندگان
مرتضی افشاری
دانشجوی کارشناسی ارشد هوش مصنوعی، دانشکده مهندسی برق و کامپیوتر، دانشگاه سمنان
رزومه علمی کاربران
درباره سیویلیکاتبلیغات در سیویلیکاآمار علمی ایرانتقویم علمی ایرانداده کاوی مقالاتطرح های پژوهشی
شیوه ارجاع
در صورتی که می خواهید در اثر پژوهشی خود به این مقاله ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید: افشاری، مرتضی،1404،بهینه سازی پایدار رایانش ابری با استفاده از نظریه بازی فازی،ششمین همایش بین المللی مهندسی کامپیوتر، برق و تکنولوژی،همدان،https://civilica.com/doc/2585657
ارائهشده در
مجموعه مقالات ششمین همایش بین المللی مهندسی کامپیوتر، برق و تکنولوژی2 اسفند 1404 · همدان