مجله علمی  رایانش نرم و فناوری اطلاعات

مجله علمی رایانش نرم و فناوری اطلاعات

ترکیب الگوریتم‌های فراابتکاری خفاش و کلونی مورچگان برای حفظ کیفیت سرویس در سیستم‌های بحرانی مختلط تطبیقی

نوع مقاله : مقاله پژوهشی فارسی

نویسندگان
مهندسی کامپیوتر، دانشکده فنی و مهندسی، دانشگاه شاهد، تهران، ایران
چکیده
مسئله زمانبندی در سیستم‌های بلادرنگ تک پردازنده برای تضمین رعایت محدودیت‌های زمانی وظایف، چالشی اساسی است. روش‌های سنتی مانند نرخ یکنواخت و زودترین ضرب العجل در سیستم‌های پیچیده کارایی لازم را ندارند. سیستم‌های بحرانی مختلط تطبیقی (AMC) به عنوان یک راهکار موثر، امکان تغییر حالت سیستم بین سطوح بحرانی مختلف را فراهم می‌کند تا اطمینان حاصل شود وظایف با اهمیت بالا حتی در شرایط بار کاری زیاد، مهلت اجرای خود را از دست نمی‌دهند. با این حال، تعیین اولویت بهینه برای وظایف در این سیستم‌ها یک مسئله NP-Hard است. در این مقاله، برای غلبه بر این چالش، روشی ترکیبی مبتنی بر الگوریتم خفاش (BA) و بهینه‌سازی کلونی مورچگان (ACO) ارائه شده است. در این روش، خروجی الگوریتم خفاش به عنوان مقدار اولیه فرومون برای الگوریتم مورچگان استفاده می‌شود تا سرعت همگرایی افزایش یابد. نتایج شبیه‌سازی نشان می‌دهد که روش پیشنهادی در مقایسه با روش‌های پایه و تحقیقات پیشین در این زمینه، موجب افزایش نسبت وظایف با سطح بحرانی Lo به میزان ۹۱ درصد و کاهش زمان پاسخگویی نسبت به الگوریتم‌های یادگیری ماشین شده است که نشان‌دهنده کارایی بالاتر الگوریتم ترکیبی در مدیریت سیستم‌های بحرانی مختلط است.
کلیدواژه‌ها

[1] G. C. Buttazzo, Hard Real-Time Computing Systems: Predictable Scheduling Algorithms and Applications, New York: Springer, 2011.
[2] S. Vestal, " Preemptive Scheduling of Multi-Criticality Systems with Varying Degrees of Execution Time Assurance," in 28th IEEE International Real-Time Systems Symposium, 2007.
[3] S.K. Baruah , A.Burns ,R.I. Davis, "Response-Time Analisis For Mixed-Criticality Systems," in Proc. IEEE Real-Time Systems Symposium (RTSS), 2011.
[4] Marco Dorigo, Tomas Stutzle, Ant Colony Optimization, MIT Press, 2004.
[5] X.-S. Yang, "A New Metaheuristic Bat-Inspired Algorithm," in Springer Berlin Heidelberg, 2010.
[6] Burns, Alan; Davis, Robert I, "Schedulability Analysis for Adaptive Mixed-Criticality Systems with Arbitrary Deadlines and Semi-Clairvoyance," in IEEE Real-Time Systems Symposium (RTSS), 2020.
[7] J. Liu, W. Zheng, X. Li, and J. Chen, "Scheduling Mixed-Criticality Systems with Degraded Service," EEE Transactions on Computer-Aided Design of Integrated Circuits and Systems, vol. 35, pp. 2022-2034, 2016.
[8] e. a. T. Mendes, "Deep Reinforcement Learning for Dynamic Scheduling of Mixed-Criticality Systems," IEEE Transactions on Computer-Aided Design of Integrated Circuits and Systems, vol. 43, pp. 450-463, 2024.
[9] A. Burns and R. I. Davis, "A Survey of Research on Mixed Criticality Systems," ACM Computing Surveys (CSUR), vol. 50, 2018.
[10] Alan burns, Robert I.Davis, "Mixed Criticality System - A Rewiew," Department of Computer Science, University of York, 2017.
[11] K. Deb, "An efficient constraint handling method for genetic algorithms," Computer methods in applied mechanics and engineering, vol. 186, no. 311-338, 2000.