TELKOM NIKA , Vol.11, No .11, Novemb er 201 3, pp. 6563 ~6 569   e-ISSN: 2087 -278X           6563      Re cei v ed Ma rch 2 8 , 2013;  Re vised June  20, 2013; Accepte d  Jul y  2 0 , 2013   A Resource Scheduling Strategy in Cloud Computing  based o n  Multi-agent Genetic Algorithm      Wuxu e Jian g 1,2 , Jing Zh ang* 1 , Junhu ai Li 1 , Hui Hu 3   1 School of Co mputer Scie nc e and En gi neer ing,  Xi’ an Un iv ersit y  of T e chn o lo g y ,  Xi ’an  71 004 8, Shaa n x i,   Chin a   2 Departme n t of Computer En g i ne erin g, Don g gua n  Pol y tec h nic, Don g g uan  523 80 8, Guan gdo ng, Ch ina   3 Departme n t of Science a nd R e searc h , Huizh ou Un iveres it y ,  Huizh ou 5 160 07, Guan gdo n g , Chin a   *Co rre sp ondi ng autho r, e-mail: zhan gjin g@xaut.ed u .cn       A b st r a ct   Reso urce sch e duli ng strate gi es in cl oud c o mp ut in g are  us ed eit her to i m prove syste m   oper ating   efficiency,  or  to i m pr ove  us er satisfacti on . T h is  p a p e r  prese n ts a n  i n tegrate d  sc h edu lin g strate g y   consi deri ng  bo th resourc e s cr edi bil i ty an d us er satisfac tio n . It takes user s a tisfaction  as o b jectiv e functi o n   and res ourc e s credi bil i ty as a part of the user  satisfac tion, a nd rea l i z e s  o p ti ma l sche dul in g  by using g e n e tic   alg o rith m. W e  integr ate this sc hed uli ng strategy into Ag ent  subs eq ue ntly and pr opos e clou d co mputi n g   system   architecture based on Mult i- agent. The num eric al res u lts show  that this sc heduling strat e gy   improves  not o n ly the syste m  oper ating  effi ci ency, but als o  the user satisfa c tion.      Ke y w ords :  cloud co mputi n g ,  resources cr edi bil i ty, custom er s a tisfactio n , resources s c hed uli ng,  mul t i - age n t     Copy right  ©  2013 Un ive r sita s Ah mad  Dah l an . All rig h t s r ese rved .       1. Introduc tion  Clou d compu t ing syste m  take s a d vant age of  the  tens  of millio ns of i d le  co mputing   resou r ces on  the Inte rnet  so  that it  can b e  mo re   powerful th a n  the  ce ntral i zed  computi n g   sy st em.   Ho w e v e r,  it s  r e s our ce  s c h e d u ling f a ce s  c hallen ges  d u e  t o  it s ma s s iv e  re sou r c e s,   hetero gen eo us natu r e, an d netwo rk  co mmuni cation  delay.  Sched uling  o f  reso urce s i s  to assig n   the  jobs  su b m itted by users to  app ro priate   resou r ces re aso nably to meet the ne eds of u s ers and maximi ze sy stem o peratin g ben efits.  Schola r s h a ve put  forwa r d a  serie s   of sche dulin g  strategi es for the  sche duli ng p r o b lem s  of  Clou d Comp uting an d di stributed  re so urces. [1 ， 2] prop ose a  di stribute d  resource  sche d u ling  strategy fo re casting m odel  based on  ant  colo ny al go ri thm to improv e the dynami c  an d re al-tim e   perfo rman ce  of the distri buted comp u t ing and r eal -time pe rformance an d effectivene ss of  r e sour ce sc heduling. [3 ， 4 ]  prop ose a b a lan c ed  sche duling  algo rithm. The  algo rithm calculat es  job orde r val ues  ba sed  o n  job d epe n den cie s , and  adju s ts the  jobs  acco rdin g to that ord e r   values. As  a  result, key jobs  will  be fini shed as soon as possible ,  the wait time  between jobs is   redu ce d, an d  the job  co m puting  wo rkfl ow exe c uti o n  time is fin a ll y redu ce d. It prove s  that  th e   sho r t job co mputing exe c ution time o f  this  algorith m  in job ma nagem ent sy stem ha s  strong   s u pe r i or ity. [5 ， 6] provide  a di stribute d   syste m  scheduli ng mo del for th e p r oble m  of  weak  dynamic  re g u latory  capa city of fixed pro c e ssi ng n ode s di stribu ted syste m s.  The  simulat i on   experim ents  sho w  that the algorit hm ha s good dyn a m ic co ntrol a b ilit y. It can redu ce processor  load and im p r ove the dela y  of task pro c e ssi ng a s  neede d and m a ke u s e of system re sou r ce s  more rationally. [7 ， 8] propo se a  task  sched uling  load  bala n cing alg o rithm  ba sed  on f a ir  indexe s . It d edu ce s the   task a ssi gn ment me th o d  un der mul t i-node  condi tions, a nd t hen  improve s  the  load b a lan c in g algo rithm b a se d on fai r  i ndexe s  with t h is meth od. [ 9 ， 10] ind u ce s a  gene ral mod e l of load bal anci ng sche d u ling on the  basi s  of in-d epth study of  load balan ci ng   sched uling p r oble m  in di stribute d  sy stems a nd  co ndu cts a det ailed an alysi s  of the vari ous  factors that affect load bal a n cin g .   For the curre n t proble m s  of cloud com puting  and di stribute d  re source sch edu ling, this  pape r p r e s en ts an inte grat ed cl oud  co mputing  re so urces sche du ling strategy  con s id erin g b o th  resou r ces credibility  and use r  satisfa c tion  ba se   on  the Multi-ag ent Gen e tic  Algorithm. T he  Evaluation Warning : The document was created with Spire.PDF for Python.
                               e-ISSN: 2 087-278X   TELKOM NIKA  Vol. 11, No . 11, Novemb er 201 3:  656 3 – 6569   6564 strategy deal s with  both user  sa ti sfacti on and resource s  credibilit y in the objective function. It  integrate s   re source  credibil i ty into the fu nction  of  u s e r  sat i sf act i o n  a nd t a ke s u s e r  sat i sf act i o n  a s   optimizatio n obje c tive. Then it will calculate solu tio n s  with a gen etic algo rithm .  By taking the  above m e a s ure s , the  strategy ca n m a ximize th e  i n tere sts of  u s ers and co mputing effici ency.  After integrat ing this  sche duling  strate gy into  Agen ts we p r o p o s e a M u lti-a gent sche dul ing  frame w ork, whi c h can complete reso urce sche dul ing in clou d  computin g with Multi-a g ent's  excelle nt autonomy, learni ng ability and  soci ality.        2. Resource  Credibilit y   Re sou r ce cre d ibility is an index that refl ects  the  pro c essing  cap a ci ty and reliabili ty of the   resou r ces. It reflect s  the p r ocessin g  ca pacity  and  re liability of the res ource  during a pe riod  of  time (fro m no w to th e future). With  the  model  of  re source  credibil i ty, the resou r ce s  whi c h  h a ve   highe r cre d ibi lity are mo re  likely to be  called, while t he resource s whi c h h a ve l o we r  cre d ibili ty  are le ss li kel y  to be called or even ha ve no chan ce  to be called.  So the load con d ition s  of the   resources will  be more bal anced. The credibility of  the resource i s  dynamic  and will vary with its  perfo rman ce,  utilizatio n,  online  rate   and  su cce s s rate  of  co mpleted j o b s . By introdu cing  resource credibility into the  scheduling strategy,  the scheduling becomes  dynamic and will   cha nge  wit h  r e so ur ce s.  Thi s  i s  v e ry  imp o rt ant  f o r  dist ribut ed   sy st e m s  wh ere  r e sou r c e s   cha n ge  freque ntly.  Re sou r ces  credibility is def ined a s  follows:    () () * ( ) * () * ( ) rt p t i t h t v t                                                                                                                (1)     in which  t is  time,   () rt   is t h e credibility of  the resources  at the m o ment  t , which  con s i s ts of four p a rts:  () p t , () it , () ht , () vt .  () p t  is a pe rfo r man c e fun c t i on of re sou r ce s. It  reflect s  the  proce s sing  ca p a city of the  re sou r ces.  For  example, if th e re so urce i s   a CP U, then  i t   will be the CPU Clo ck Sp eed.  () it  is the availability rate of resources. Same as  () pt , it  reflec t s   the processi ng capability of the  resources. If the resource i s   CP U, then it  wil l  be (1 -  CPU  utilization).  () ht  is the online  rate of resour ces, and it refl ects the reli ability of the resources. A s   distrib u ted system s  empl o y   res o urc e s  on the Internet, it is  diffi cult to pre d ict  whe t her a  re sou r ce   is on -line  or o ff-line at one  moment. But we  can o b tai n   () ht   by cal c ulat ing the on -lin e rate of the   resou r ces. T he highe r th e on-lin e rat e  is, the higher reliability the reso urce has, the hi gher  credibility it has.  () vt  is the su ccess rate of  the reso urce s  to compl e te  the job. Afte r acceptin g   jobs,  t h e r e s our ce s  can n o t  alw a y s   co mplet e  t h e m  su c c e ssf ully .  Like wi se,  t he  su cc es s  r a t e   reflect s  the reliability of the  resource.      3. User Satis f ac tion   Most sch edul ing algo rithm  studie s  only  focu s  on op timizing ove r all system o peratin g  indicators, bu t they ignore  the sati sfacti on from t he  p e rspe ctive of an individu al use r . In fact, for  different  users, p r eferen ce s of   its  ope rat i ng time  pe rfo r man c e  an d  eco nomi c   co sts are diffe re nt.  Take  ani mati on rend erin g  system  as  an  example,  user A  ca re s a b out re nde ring  co sts while  u s er  B is more co nce r ne d ab o u t the ren deri ng time. Even for the sam e  use r , the re quire ment s of job  operating tim e  and  e c on o m ic  co sts va ry over time.  Whe n  u s e r  A  is fa cing  an  urge nt case, the   cu stome r  C want s to see  the rend erin g s  as  soon a s  possi ble an d  does not care about mon e y.  At this p o int, Use r  A  wo ul d p r efer fa st  rend eri ng  performan ce;  When  user A i s  fa cing  a  no n- emergen cy case, and   the cu stome r  D  h a s  limite d   fun d s  and  ne eds A to  control t he b udg et, a nd  he/sh e ha s  n o  stri ct time  requi rem ent,  we  can  tell that A will  pa y more  atten t ion to re du ci ng   co sts; if the custome r  E asks u s e r  A to balan ce  the e c on omic  co sts and  spe ed, obviou s ly A  will   cho o se a bal anced solutio n .  From thi s  poi nt of view, in orde r to meet   the need s of  different u s ers, we n eed to  desig n  satisfa c tion f unctio n s a ccordin g to their different  req u irem ents. A nd the obje c ti ve function of  th e   sched uling  st rategy  sho u ld  maximize th e u s er's  overall satisfa c tio n . Wh en th e j obs of u s e r   i  ar e   assign ed to reso urce  j  , the  us er  s a tis f action  ij S  is cal c ul ated as follo ws:  Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   e-ISSN:  2087 -278X       A Reso urce  Sched uling S t rategy in  Clo ud  Com putin g based on M u lti-age nt… (Wu x ue  Jian g)  6565 j b ij it ie bj r c sw w rc                                                                                                                            (2)    1 it ie ww                                                                                                                                                  (3)                                                                                                                                                               it w  and   ie w   are the  perfo rma n ce  prefe r e n ce a nd  co st p r efe r en ce  re sp ect i vely and th ei r   rang e i s   [0 , 1 ] .  j r  is  the credi bility of resource  j   . The bi gge r  j r  is, the  bigge r user  sati sfaction   is.  b r  is th e m ean  re so urce  credi bilit y  in   the system  history.   j c   is the  quotatio n of    j th   resou r ce for the use r   i , and the lower   j c  is, the bigge r use r  sati sfa c tion is.  b c   is the mean   quotation in t he syste m  history.  Dep endin g  o n  the u s e r  types, you  can  set different  it w  and  ie w  . For  u s ers  wh o care   more  abo ut perform an ce,  you ca n set  it w =0.8,  ie w =0.2 ; Fo r users  who  care m o re  abo ut co sts,  you can  set; For u s e r s  wh o want a bal a n cin g  system,  you can set   it w = 0 .5,  ie w =0. 2 .   Cre d ibility is an  ind e x that reflect s   t he  p r o c e ssi ng cap a city and relia bility  of  th e   r e sour ces .       4. Multi-agen t Sy stem   Multi-ag ent techn o logy is  a n  importa nt b r an ch of a r tificial intellig en ce te chn o log y . Agent  is an age ncy.  It is a software entity that  can  co mpl e te  its function s unde r ce rtain  circum stan ces  contin uou sly  and  sp onta neou sly. It also  can  com m unicate  with the  releva nt Agents a nd  pro c e s ses. A gent is auto n o mou s . It can com p lete  mo st of its fu nction s an d control its inte rnal  state without  intervention   o f   peopl e  o r  other  Agent s. Another  imp o r t ant attrib ute  of Age n t i s  i t s   social ability. It can take the initiative to intera ct with  other Agents  to ac hi eve their goals. Agent  also h a s the  ability to learn. It can c han ge with the e n vironm ent a daptively.  Multi-ag ent system is a system com p ose d  of  multiple Agents. It can solve  compl e x  probl em s whi c h  can  not b e  solve d  by  single Ag ent. Agents  com p ete, coo r di nat e and  coope rate   with ea ch oth e r to solve p r oblem s toget her.    Traditio nal sche duling  m e thod s, su ch as b r a n ch and b oun d method,  dynamic  prog ram m ing  and heuri s tic graph  sea r ch algorithm, a r e mathem atically perfe ct, but they can not   adapt to  com p lex pro d u c tion environm e n ts be ca use t hey ha s ma d e  a lot of  sim p lification  of the  real  wo rld. At  the  sam e  ti me, la ck of di versit y ha s limited thei r  scope  of ap plication. Sched uling   strategy ba sed  on multi-agent  te chn o logy can o v erco me the  sho r tcoming s  of the a b o ve  algorith m s. T he strategy relies o n  the  swarm in telli gen ce effect  of Agents an d has ve ry g ood  simulatio n  of  compl e x issu es  and  proce ssi ng  po wer.   At the same t i me it ha s  po werful  ad apti v ity  and ca n cha nge  th eir stat us and   lea r n relevant   kn o w led ge  adapt ively to achie v e the exp e cted  effect of sch e duling. As a result, it has very signifi cant  robu stne ss.   The Multi - ag ent sche duli ng st rategy  pre s ente d  in  this p ape r  contai ns th e  followin g   Agents.   User A gent:  Submit jo b s  to  Jo b  Re spo n se  Age n t and  a c ts as the  co n s ume r   of  resources. It  will occupy  resources when the job appl ication i s  successful   and  release resources   after the job is co mpleted.   Job  Re spon se Agent: It is  the middle la yer bet we en the system a n d  use r s. It is use d  to   accept u s er-submitted job  appli c ation a nd retu rn re sults to the user after the jo b is co mplete d.  Job  De com p osition a nd  Distributio n Ag ent: A cce pt jobs from Job  Re spon se A gent, and  decompo se s  jobs into the  smalle st particles  a nd di stribute th e decompo se d  sub - job s  to Jo b   Sched uling A gent.  Re sou r ce Search Age n t :  Search on line  re so urces in the  n e twork a n d  regi ster  r e sour ces .   Job S c he duli ng Agent: Job Sch edulin g Agent  will  accept sub-jobs that ha s bee n   decompo se d  into the sm allest pa rticle s and  se le ct sched uling al gorithm, an d assign the  sub- jobs  to the Res o urc e  Agent.  Re sou r ce A gent: Sen d   online  me ssage s to   Re source  Search Agent s  an d sele ct  Re sou r ce Se arch Ag ent t o  dete r min e   the regi st rati on. Acce pt j obs from  the  Jo b S c he du ling  Agent and  complete the m . Detect its own  statu s  and  send it s own  re sou r ce s credi bility to  Evaluation Warning : The document was created with Spire.PDF for Python.
                               e-ISSN: 2 087-278X   TELKOM NIKA  Vol. 11, No . 11, Novemb er 201 3:  656 3 – 6569   6566 Re sou r ce Search Age n t. Submit job transfe r sig nal to Job  Monitori ng Agent wh en th e   sched uling p ours or jo b fails to apply for the transfe r of jobs.   Job  Monito rin g  and  Coordi nation Ag ent: Monito r the  status of the  Re sou r ce Ag ent and   re-allo cate jo bs after recei v ing the job transfe r  appli c ation sig nal sent by the Re sou r ce Agent .  The overall framework is   shown in Figu re 1:          Figure 1. Multi-age nt Sche duling Strate gy Frame w o r k      5. Job-Reso urce Sche du ling Strategy   Becau s e  of  space con s trai nts, we de scribe  job  re so u r ce  sch eduli n g strategy h e r e o n ly.  Job  re sou r ce  sched uling  st rategy  will be  encap sulate d in the  Job  Sched uling A gent. For th e  Job   Agent, it has resource s  1 , 2 , .. .. .. , m and credi bility matrix  12 [ , , . .. ... , ] T m Rr r r  of those  re sou r ce s  and co st  m a trix  12 [ , , ... ..., ] T n Cc c c , and  acce pted jo bs      1 , 2 , .. .. . . , n a nd jo bs'  satisf action  matrix   12 12 ... ... tt n t ee n e ww w S ww w    . Its mission  is to assi gn  the accepte d  jobs  1 , 2 , .. ... ., n  to th e res o urces  1 , 2 , .. .. .., m   res p ec tively.  Since th e  scheduli ng p r o b lem i s   NP  probl em, it i s  often  very  difficult for tradition al  algorith m s t o  obtain glo bal optimal  solutio n s. G enetic Alg o ri thm stand s  out from m o st  sched uling  al gorithm s fo r i t s excell ent g l obal o p ti mization capa bili ty. The main  module s   of the   algorith m  a r e :  ch romo so m e  en co ding,  p opulatio n  initi a lizatio n, ge n e tic m anipul a t ion an d fitne s s   asse ssm ent. The flow of th e algorith m  is sho w n in Fig u re 2.           Figure 2.  Genetic Algo rith m Flow Chart  base d  on Re sou r ce Sch e d u ling Strategy   Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   e-ISSN:  2087 -278X       A Reso urce  Sched uling S t rategy in  Clo ud  Com putin g based on M u lti-age nt… (Wu x ue  Jian g)  6567 5.1. Chromo some Encod i ng  The  chromo some in thi s   pape r is  a n - dime nsi onal  vector  12 n Dd d d  (all  element s are  integers).  (1 ~ ) i di n  is an intege r, it  represents t hat the   i th job is assig ned  to   the re so urce  i d .  i d  ran ges in  1~ m . We  ca n  see  that the ve ctor  D  compl e tely rep r e s ent  the   allocation of reso urce s for the cu rrent job s    1 , 2 , .. .. . . , n .    5.2. Population Initializati o n   After setting  the si ze  of th e po pulatio n:  popN um ,  the algo rit h m will  initiali ze ra ndomly   and ge nerate    po pNum  ch romo so mes. And ele m ents in e a ch ch romo som e  are al so g e nerate d   rand omly, the numbe r of elements  ran g e s  in  1~ m .    5.3.  Fitness  Function   After the initi a lizatio n is co mplete, we n eed to  asse ss the fitne s s  of ch rom o so me in th e   popul ation. Rational fitness functio n  is t he key  of the  genetic al go rithm be cau s e the fitness will  guide the  pop ulation evoluti onary di re ctio n. Improp er fi tness fun c tio n  may lead to  large  deviati on   betwe en po p u lation conve r ged  solutio n s  and the o p timal solutio n s.   As de scribe d  in se ction 2,  when th e th job is a ssi g ned to the re sou r ce  i d , the  use r   sat i sf a c t i on  , i id s  is cal c ul ated a s  follows:     , i i i d b i d it ie bd r c sw w rc                                                                                                (4)     The  same  re sou r ce may  be a ssi gne d  to many job s , as a  re sult, multiple job s  may   actually share  the credi bility  of  sam e  resource.  So, we need  to ad just  user satisfaction function  according  to  the num ber o f  jobs  assig n ed to  e a ch reso urce. If we set the n u m ber of job s   i d h   assign ed to  reso urce  i d  to the same val ue, then  we  can  obtain th e modified  u s er satisfa c tion   function:     , 1 i i ii d b i d it ie db d r c sw w hr c                                                                                                             ( 5)    The fitness e v aluation fun c tion is a s  foll ows:    , 1 i n id i f itn e s s s                                                                                                                                                   ( 6)     5.4. Genetic  Manipulatio n   The main op eration s  of the genetic al g o rithm  are: selectio n, hybridizatio n and  mutation.  Selection i s  to sele ct indi vidual ch rom o som e  from  the chromo some pop ulati on to rep r od uce  according  to  ce rtain  rul e s a nd  prefe r ences.  Th e  gene ral rule  is  to ch oo se   those  in dividual  chromo som e s who h a ve  better fitne s s. We ad opt t he roulette-b ase d  sele ctio n me chani sm , in   whi c h the   value, indivi dual  ch rom o som e  fitne ss/total fitne ss,  act s  a s  the individ ual  chromosom e 's probability of being selected.   A f t e r sele ct in g t w o or mo r e  chr o mo som e s,  Hy br i d ization is to sele ct a rand om bit-point   in  ea ch ch ro moso me and divide  the ch romosome s  in to two  se ction s  at th at point . Subse que ntly,  excha nge th e front o r  rear  se ction s  of two ch romosome s t o  pro d u c e t w o n e w offspring  chr o mo som e s.    The mutation  operation ta ke s mutation  rate a s  the probability and  will reg ene rat e  som e   bit-co de in o ne of the ch romosome s randomly. Pr o per mutatio n  rate can en h ance the glo bal  optimization  ability of the  algorithm,  however, if the  mutation  rate is  too big, it  will  cause that the  algorith m  is d i fficult to converge.     Evaluation Warning : The document was created with Spire.PDF for Python.
                               e-ISSN: 2 087-278X   TELKOM NIKA  Vol. 11, No . 11, Novemb er 201 3:  656 3 – 6569   6568 6. Numerical  Example   Simulation e x perime n ts a r e carried o u t  in the Clou dSim enviro n m ent ba sed  on the  JACK ag ent langu age. Cl o udSim is a si mulation  software of clo u d  comp uting which a nno un ced  by Grid bu s p r oje c t in Ap ril  2009.  Clou d S im softw a r e  frame w o r k  consi s ts  of SimJava, G r id Sim,  Clou dSim, UserCo de. Clo udSim is an  extensib l e  si mulation tool kit that enabl es mod e ling  and  simulatio n  of clou d com put ing system s a nd appli c atio n provisi onin g  environ men t s.  In this  pap e r , the  sched uling  algo rith m is implem ented i n   Clo udSim laye r of the  simulatio n  pla tform, and th e JACK ag en t simulation p r og ram i s  imp l emented in  UserCod e  layer.    The su bmitte d job types a nd qua ntities  are sho w n in  Table 1.       Table 1. Jo b Type and Qu antity  Job t y pe   Quantit y  Basic  running  time / s  Giving  priorit y  to  perform ance Giving  priorit y  to  costs   Balanced T y pe   eas y 3000   2  15%   70%   15%   medium 2000   5  33%   33%   34%   difficult  1000   10  70%   15%   15%       Seen fro m   Table  1, job  types a r e  divided into   three: e a sy,  medium  an d difficult  according  to  the ba si c run n ing time  of  jobs (the  ba sic time i s  th e  job  run n ing   time at 1G HZ   CPU). Th e  compo s ition  of users i s   also  different   in  e a ch  type of j o bs. F o r  exam ple, in th e e a s y   job type, 70%  of the job s  v a lue  co sts,  while 15%  thi n k mo re  of performan ce  and  15% thin k m o re  of balanced  type. This is becau se th e runni ng ti me of easy job is sh ort, the use r  is m o re   intere sted in  their e c on o m ic requi rem ents. In  the  medium jo b  type,  perform ance, co sts  and  balan ce d type accou n t for approxim ate 1/3 each. Fin a lly, for the difficult job type, beca u se of its   longe r run n in g time, users are more co nce r ne d  abo ut the performance. So 70% of the jo bs  value perfo rm ance, while 1 5 % think more of cost s an d 15% think  more of bal an ced type.   The above jo bs will n o t be  relea s ed to the Mu lti-a g e n t system at the same tim e s. The   system  will re lease them to the Multi- age nt rando mly during a p e ri od  of 1 hour.   Set the n u m ber  of  Re so urce Ag ent i n  the  Mu lti-a gent  system  to 10.  The  co mpo s ition  of  Re sou r ce Ag ents is in T a b l e 2.      Table 2. Age n ts of The Re sou r ces  Number of  agent s  Freque nc y  / Hz   Running time   agent 1~3   500M   basic running time * 2  agent 4~7   1G  basic running time  agent 8~10   2G  basic running time / 2      Table 3. Average Respon se Time and  User Sati sfacti on   T y pe of  algorithm  Average  response  time/s  Overall user  satisfaction   Multi-agent  5.42  1.68  Minimum load  scheduling   5.74 1.59  Random  scheduling   5.85 1.53      Among th e th ree type s of j ob  sho w n  in  Table  1,  m e dium type   jo bs  are   m o st  obje c tive  and re presen tative as they  do not con s i der u s e r s’  p r eferen ce s. T o  comp are this algo rithm  with   rand om  sche duling  algo rit h m an d mi ni mum lo ad  scheduli ng  algo rithm, me diu m  type jo bs  are   Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   e-ISSN:  2087 -278X       A Reso urce  Sched uling S t rategy in  Clo ud  Com putin g based on M u lti-age nt… (Wu x ue  Jian g)  6569 taken  as in st ance. The  calcul ated ave r age  re spo n se time and u s er  sati sfacti on is  sho w n  in  Table 3.   From  the a b o ve re sult s,  the Multi-age nt's  avera g e  re spo n se ti me an d u s e r  overall  satisfa c tion  are sh orte r than  that of  Ra ndom  sche duling  al gorithm  an d  Minimum  l oad    sched uling al gorithm, e s p e cially on the  users’  satisf action, Multi-agent ge neti c  algo rithm than  Ran dom  sch edulin g alg o ri thm and  Mini mal loa d   sch edulin g alg o ri thm ha s g r e a t ly improved,  and  the in crement  between  Mul t i-agent  gen e t ic alg o rithm  and Ra ndom  sched uling   al gorithm   is  2.5 0   times of  that betwe en Mini mum  lo ad scheduli ng  algo rithm a nd  Ra ndom  sch edu ling al gorith m .  Obviou sly, the use r  overall  satisfa c tion  of the Mult i-a gent gen etic  algorith m  is superi o r to tha t   o f   the other two  algorith m s.       7. Conclusio n   An integ r ate d  a s sessme nt model  co nsid erin g b o t h re sou r ce  credibility  and  user  satisfa c tion i s  establi s h ed i n  this  pap er,  and a   re so urce sched ulin g  strategy  ba sed on gen etic  algorith m  is desi gne d on the basi s  of this m odel. T hen a clo ud  comp uting sy stem re so urce   sched uling a r chite c ture i s  prop os ed ba sed on Multi-a gent frame w o r k.   The nu meri cal re sults  sh ow that thi s   syst em  enha nce s  u s e r  sa tisfaction  and  redu ce s  the ave r age  j ob a c ce ss time. The  op erating effici en cy of th e  clo ud  com puting  syste m  i s  fin a lly  improve d .      Ackn o w l e dg ement  This wo rk  wa s sup porte d by  the  Nation al  Natural  Science Fo und ation of  Chin a (G ra nt  No. 611 720 18), an d by  the Nation al Natu ral S c ien c e F oun dation of China (Gra nt  No.  6117 2124 ), and by the Natural Sci ence Fou n d a tion of Gu angd ong Province (G rant  No.  S20120 100 0 9865 ) and G uang dong Province Sci e n c e an d techn o logy plan p r oject (G ra nt No.  2012B0 101 0 0040 ).      Referen ces   [1]  Z hang Y i n g , Gao Mi n, Z hou  Chi. Stud y  on  Clou d   R e sourc e  Sche dul in g  Probl em Base d on  Lo gistic s   Park Distributi o n S y stem.  Jour nal of Co mp ut ation a l Intell ig e n ce an d Electri c  Systems . 20 12; 1(1):12 2 - 125.   [2]  De w a k i  P, Val a rmathi ML. J ob Sch edu li ng  using Ge netic  Algorithm  w i t h  Qos Satisfa c tion in Gri d .   Europ e a n  Jour nal of Scie ntific  Researc h . 201 2; 74(2): 27 2-2 85.   [3]  Son D u y Da o,  Kazem Ab har y, Romeo M a ria n . Optimisatio n  of Reso urce S c hed uli ng  in V C IM S y stem s   Using  Gen e tic  Algorit hm.  Inte rnatio nal  Jo urn a l  of Adv ance d  R e searc h  i n   Artificial I n tell ig ence . 20 12 ;   1(8): 49-5 6 .  [4]  Jian hua Gu, Ji nhu a Hu, T i an hai Z h ao, Guof ei Su n. A Ne w  Reso urce Sch edu lin g Strateg y  Bas ed  o n   Genetic Alg o rit h m in Cl oud C o mputi ng Envir onme n t.  Journ a l of Co mp uter s.  2012; 7(1): 4 2 -52.   [5]  Pa yal  Sin g h a l ,  Ravin der  Si ngh, P i nk y  R o sema rr y. A n  Improve d  C onstrai nt Bas ed R e so urce   Sched uli ng A p proac h Usi ng  Job Grou pi ng Strateg y   Grid Comp uting.  Int e rnati ona l Jo u r nal  of Grid   Co mp uting & A pplic atio n . 201 2; 3(4): 33-42.   [6]  Bu yya  R, Ranj an R. Speci a l Se ction: F eder ated Res ource  Manag em ent i n  Grid and Cl o ud Com puti n g   S y stems.  F u tur e  Generati on C o mputer Syste m s . 20 10; 26( 8 ) : 1189-1 1 9 1 .  [7]  M Mezmaz, N Mela b, Y Kessaci, et al. A pa ralle l  bi- obj ecti ve h y bri d  meta heur istic for en erg y -a w a r e   sched uli ng for  clou d computi n g s y stems.  Jou r nal of Para lle l Distribut e Co mputin g . 201 2; 71(1): 149 7- 150 8.  [8]  Sotoma yor B,  Montero R S , Ll orente IM, et al . Virt ual infrastr ucture ma nag e m ent in pr ivate  and h y b r i d   clou ds.  IEEE Internet Computing . 200 9; 12( 5): 14-22.   [9]  Veen a Gos w a m i, Sudh ans u  Shekh a r Patra ,  GB  Mund. Performanc e An al ys is of  Clo u d  Com putin g   Centers f o r Bu lk Servic es.  Internati ona l Jo ur nal  of Cl ou d A pplic atio n a nd  Co mp uting .  20 12; 2( 4): 13 - 26.   [10]  RF  Sun, Z W  Z hao. R e sou r ce Sche du lin g Strateg y  B a sed  on  Clo u d  Com putin g.   Aeron autic a l   Co mp uting T e c hni que.  2 010;  40(3): 10 3– 105 .  Evaluation Warning : The document was created with Spire.PDF for Python.