Algorithmes d’ordonnancement multi-objectif dans les systèmes distribués

Abstract

De nos jours, le Cloud Computing est largement adopté dans divers domaines et son expansion s’accompagne des défis et des contraintes dont les organisations doivent prendre en compte pour en tirer pleinement parti. L’ordonnancement des tâches émerge comme un enjeu clé pour améliorer les performances. Malheureusement, il est bien connu que ce problème est NP-difficile, nécessitant des approches judicieuses. La plupart des recherches antérieures se concentrent sur un seul objectif, et celles qui considèrent plusieurs objectifs utilisent souvent des fonctions de compromis simples, négligeant l’influence mutuelle des paramètres. De plus, le phénomène de stagnation des solutions locales et la convergence prématurée entravent le processus de recherche. Pour surmonter ces limites, cette thèse propose de nouveaux algorithmes d’optimisation basés sur des approches bio-inspirées, notamment le comportement de pollinisation des fleurs, la capacité d’exploration de l’optimiseur du loup gris, les opérateurs de croisement des algorithmes évolutionnaires, et la stratégie employée dans l’algorithme de saut de grenouille. Ces approches sont appliquées à l’ordonnancement des tâches dans les systèmes de Cloud hétérogènes, formulé sous forme d’un problème d’optimisation multi-objectif. Les résultats obtenus à travers une série de tests et de simulations, avec des charges de travail synthétiques et standard, démontrent la supériorité de nos algorithmes en termes de qualité des solutions et de vitesse de convergence par rapport à d’autres techniques récemment proposées dans la littérature.