«مقداردهی اولیه»اکتشافی الگوریتم زمانبندی:

 وظیفه بهینه‌سازی ازدحام ذرات (‏PSO) در رایانش ابری

برنامه‌ زمانبندی وظیفه یکی از موضوعات مهم در محیط محاسبات ابری به شمار می‌رود.

زمانبندی کارآمد برای رسیدن به اجرای مقرون‌به‌صرفه و بهبود استفاده از منابع ضروری می‌باشد.

موضوع زمانبندی وظیفه به یک چند جمله‌ای غیرقطعی (‏NP)‏ – سخت طبقه‌بندی می‌شود. این ویژگی 

سبب جلب توجه محققان به استفاده از الگوریتم‌های فرا اکتشافی الهام‌گرفته از طبیعت می‌شود. 

شروع راه‌‌کارهای جستجو به صورت تصادفی به عنوان یکی از ویژگی‌های کلیدی در چنین الگوریتم‌های بهینه‌سازی شناخته می‌شود.

 با این حال، کمک به الگوریتم های فرا اکتشافی با راه‌حل‌های اولیه موثر می‌تواند به طور قابل‌توجهی، کارایی آن را بهبود بخشد. 

در این مقاله، یک اولویت‌بندی بهبود یافته از بهینه‌سازی ازدحام ذرات (‏PSO) ‏با استفاده از الگوریتم‌های اکتشافی پیشنهاد شده‌ است.

 از طولانی‌مدت‌ترین کار تا سریع‌ترین پردازنده (‏LJFP)‏ و الگوریتم‌های حداقل زمان تکمیل (‏MCT)‏ برای راه‌اندازی PSO استفاده بعمل می‌آید. 

کارایی الگوریتم‌های LJFP – PSO و MCT – PSO در به حداقل‌سازی زمان، زمان اجرای کلی، درجه عدم تعادل، و مصرف انرژی کلی ارزیابی می‌شوند.

 علاوه بر این، عملکرد الگوریتم‌های پیشنهادی با روش‌های اخیر زمانبندی وظیفه مورد قیاس قرار گرفته است.

 نتایج شبیه‌سازی، اثربخشی و برتری LJFP – PSO و MCTPSO پیشنهادی را در مقایسه با PSO معمولی و الگوریتم های مقایسه‌ای نشان داد.