Abstract
Scientific workflow scheduling in cloud environments is challenging due to the dynamic availability of resources and interdependence among tasks. This article presents a novel hybrid solution—namely Lévy-Heuristic Manta Ray Foraging Optimization Algorithm (LH-MRFOA)—to tackle these challenges. The suggested approach incorporates Lévy flights into the classic Manta Ray Foraging Optimization (MRFO) to enhance global exploration and introduces a heuristic dependency management operator for task assignment optimization and wait time minimization. Comprehensive experimentation on benchmark standards (Inspiral, CyberShake, Montage, SIPHT, and Epigenomics) validates that LH-MRFOA consistently outperforms traditional meta-heuristics (GA, PSO) and variant MRFO enhancements in minimizing makespan and operational cost. These findings recognize LH-MRFOA's potential for large-scale, data-heavy applications requiring timely and affordable use of resources in modern cloud data centers.
Keywords
: Cloud computing
cost optimization
Heuristic dependency management
Levy Flight
Makespan
Manta Ray Foraging Optimization (MRFO)
Scientific workflows
Task Scheduling
Workflow simulator
Abstract
تمثل جدولة سير العمل العلمي في البيئات السحابية تحديًا كبيرًا بسبب التوافر الديناميكي للموارد والترابط بين المهام. تقدم هذه المقالة حلاً هجينًا جديدًا - وهو خوارزمية Lévy-Heuristic Manta Ray Foraging Optimization (LH-MRFOA) - لمعالجة هذه التحديات. يتضمن النهج المقترح Lévy flights into the classic Manta Ray Foraging Optimization (MRFO) الكلاسيكي مع المزيد من الاستكشاف العالمي ويقدم مشغل إدارة التبعية الإرشادي لتحسين تعيين المهام وتقليل وقت الانتظار.
تؤكد التجارب الشاملة على المعايير القياسية (Inspiral، وCyberShake، وMontage، وSIPHT، وEpigenomics) أن أداء LH-MRFOA أفضل من الاستدلالات الفوقية التقليدية (GA، PSO) وتحسينات MRFO المتنوعة باستمرار في تقليل التكاليف التشغيلية والتصنيعية. تميز هذه النتائج بإمكانية LH-MRFOA للتطبيقات واسعة النطاق ذات البيانات الكبيرة والتي تتطلب استخدام الموارد في الوقت المناسب وبأسعار معقولة في مراكز البيانات السحابية الحديثة.
تؤكد التجارب الشاملة على المعايير القياسية (Inspiral، وCyberShake، وMontage، وSIPHT، وEpigenomics) أن أداء LH-MRFOA أفضل من الاستدلالات الفوقية التقليدية (GA، PSO) وتحسينات MRFO المتنوعة باستمرار في تقليل التكاليف التشغيلية والتصنيعية. تميز هذه النتائج بإمكانية LH-MRFOA للتطبيقات واسعة النطاق ذات البيانات الكبيرة والتي تتطلب استخدام الموارد في الوقت المناسب وبأسعار معقولة في مراكز البيانات السحابية الحديثة.
Keywords
الحوسبة السحابية، Manta Ray Foraging Optimization، إدارة التبعية الإرشادية، سير العمل العلمي، جدولة المهام، Makespan، تحسين التكلفة، محاكاة سير العمل