نمودار زمان کل مقایسه ده با اجرا با زمان های اجرای متفاوت با الگوریتم اصلی
نمودار برنامه های تکمیل نشده کل مقایسه ده با اجرا با زمان های اجرای متفاوت با الگوریتم اصلی
در مقایسه زمان در نمودار اول می توان گفت که ۵ مورد از ۱۰ مورد زیر خط معیار و دو مورد منطبق بر معیار هستند و تغریبا در ۷۰% موارد بهینه گی را مشاهده می کنیم .
و در نمودار دوم که نمایش تعداد برنامه های کامل نشده و باقی مانده را نمایش می دهد به این نتیجه می رسیم که ۷ مورد زیر خط معیار ما و دو مورد منطبق با خط و تنها در یک مورد بالاتر از معیار ما قرار گرفته و این به ما بهینه را می رساند که حدود ۹۰% می باشد .
در هر دو نمودار اگر زمانهایی است که حالت بهینه گی را نداریم و دلیل آن می تواند context switch می تواند باشد که این کار خود زمان می طلبد .
۵-۳ پیشنهاد‌ها و نگاهی به آیند
در این بخش با توجه به اینکه این مبحث ، بحثی نو درزمینه رایانه هست ، فضای کاری بسیار بالا دارد و می توانند در این زمینه تولید علم بسیار زیادی را شاهد بود .
زمینه‌های پیشنهادی اینجانب
۱-بهینه سازی الگوریتم‌های زمان‌بندی کار در محاسبات ابری
۲- پیشنهاد روشی برای ایجاد بهینه‌ترین روش ممکن برای انجام درخواست ها در ابرها

منابع:
Jing Liu, Xing-Guo Luo, Xing-Ming Zhang, Fan Zhang and Bai-Nan Li ,” Job Scheduling Model for Cloud Computing Based on Multi-Objective Genetic Algorithm", IJCSI International Journal of Computer Science Issues, Vol. ۱۰, Issue ۱, No ۳, January ۲۰۱۳ ISSN (Print): ۱۶۹۴-۷۸۴, ISSN (Online): ۱۶۹۴-۸۱۴
Armbrust M, Fox A, Griffith R, Joseph A D, Katz R, Konwinski A, Lee G, Patterson D, Rabkin A and Stoica I, “A view of cloud computing”, Communications of the ACM, Vol. 53, No. 4, 2010, pp. 50-58
Armbrust M, Fox A, Griffith R, Joseph A D, Katz R, Konwinski A, Lee G, Patterson D, Rabkin A and Stoica I, “A view of cloud computing”, Communications of the ACM, Vol. 53, No. 4, 2010, pp. 50-58
osup, A., Ostermann, S., Yigitbasi, M.N., Prodan, R., Fahringer, T. and Epema, D.H.J, “Performance Analysis of Cloud Computing Services for Many-Tasks Scientific Computing”, IEEE Transactions on Parallel and Distributed Systems, Vol. 22, No. 6, 2011, pp. 931-945.
Garg, S.K., Konugurthi P. and Buyya R, “A linear programming driven genetic algorithm for meta-scheduling on utility grids”, International Journal of Parallel Emergent and Distributed Systems, Vol. 26, No. 6, 2011, pp. 493-517
Application User Interface-APIs ↑
operating System ↑
Real Time ↑
Deadline ↑
Long term scheduler ↑
Short term scheduler ↑
sheduler Job ↑
degree of multiprogramming ↑
swap Out ↑
swapping ↑
non preemptive ↑
preemptive ↑
Timer ↑
fairness ↑
utilization- Efficiency ↑
Response Time ↑
Turnaround ↑
throughput ↑
waiting time ↑
Multiple queues ↑
FIFO ↑
first come- first served =FCFS ↑
first In First Out)FIFO ↑
non- preemptive ↑
Round Rabin ↑
time quantum ↑
time slice ↑
Context switch ↑
Shortest Job First = SJF ↑
Highest Response Ratio Next ( HRRN ) ↑
Rate monotonic ↑
Earliest deadline first ↑
least laxity ↑