I
nd
o
ne
s
ia
n
J
o
urna
l o
f
E
lect
rica
l En
g
ineering
a
nd
Co
m
p
u
t
er
Science
Vo
l.
42
,
No
.
3
,
J
u
n
e
20
26
,
p
p
.
9
1
3
~
9
2
6
I
SS
N:
2
502
-
4
7
52
,
DOI
: 1
0
.
1
1
5
9
1
/i
j
ee
cs
.v
42.
i
3
.
p
p
9
1
3
-
9
2
6
913
J
o
ur
na
l ho
m
ep
a
g
e
:
h
ttp
:
//ij
ee
cs
.
ia
esco
r
e.
co
m
M
ulti
-
o
bje
ctive
tas
k
sc
heduling
i
n l
a
rg
e
-
sca
le distrib
uted
sy
ste
m
s
using
a
L
év
y
flight
-
ba
sed
h
y
brid
Ba
t
-
Wha
le
o
pti
m
i
z
a
tion a
lg
o
rith
m
Ali M
o
ha
mm
ed
Ah
m
ed
1,
2
,
M
a
na
r
Yo
un
is
K
a
s
h
m
o
la
3
1
D
e
p
a
r
t
me
n
t
o
f
C
o
m
p
u
t
e
r
S
c
i
e
n
c
e
,
F
a
c
u
l
t
y
o
f
Ed
u
c
a
t
i
o
n
,
U
n
i
v
e
r
si
t
y
o
f
T
e
l
a
f
e
r
,
Te
l
a
f
e
r
,
I
r
a
q
2
D
e
p
a
r
t
me
n
t
o
f
C
o
m
p
u
t
e
r
S
c
i
e
n
c
e
s,
C
o
l
l
e
g
e
o
f
C
o
mp
u
t
e
r
S
c
i
e
n
c
e
a
n
d
M
a
t
h
e
mat
i
c
s
,
U
n
i
v
e
r
si
t
y
o
f
M
o
su
l
,
M
o
su
l
,
I
r
a
q
3
C
o
l
l
e
g
e
o
f
I
n
f
o
r
mat
i
o
n
T
e
c
h
n
o
l
o
g
y
,
N
i
n
e
v
a
h
U
n
i
v
e
r
si
t
y
,
M
o
s
u
l
,
I
r
a
q
Art
icle
I
nfo
AB
ST
RAC
T
A
r
ticle
his
to
r
y:
R
ec
eiv
ed
J
an
23
,
2
0
2
6
R
ev
i
s
ed
A
p
r
23
,
2
0
2
6
A
cc
ep
ted
Ma
y
26
,
2026
T
h
e
ra
p
id
g
ro
w
th
o
f
c
lo
u
d
c
o
m
p
u
ti
n
g
d
e
m
a
n
d
s
e
ff
icie
n
t
tas
k
s
c
h
e
d
u
li
n
g
stra
teg
ies
c
a
p
a
b
le
o
f
h
a
n
d
li
n
g
h
e
t
e
ro
g
e
n
e
o
u
s
re
so
u
rc
e
s,
d
y
n
a
m
ic
wo
rk
lo
a
d
s,
a
n
d
m
u
lt
ip
le
c
o
n
f
li
c
ti
n
g
o
b
jec
ti
v
e
s.
Ex
isti
n
g
a
p
p
ro
a
c
h
e
s
o
f
ten
o
p
ti
m
ize
a
sin
g
le
c
rit
e
rio
n
,
li
m
it
in
g
th
e
ir
e
ff
e
c
ti
v
e
n
e
ss
in
larg
e
-
sc
a
le
d
istri
b
u
te
d
s
y
ste
m
s.
T
h
is
p
a
p
e
r
p
r
o
p
o
se
s
h
y
b
rid
Ba
t
–
W
h
a
le
o
p
ti
m
iza
ti
o
n
a
lg
o
rit
h
m
(
BW
O
A
)
,
a
h
y
b
rid
sc
h
e
d
u
l
in
g
a
l
g
o
rit
h
m
c
o
m
b
in
in
g
th
e
Ba
t
a
lg
o
r
it
h
m
a
n
d
W
h
a
le
o
p
ti
m
iza
ti
o
n
a
lg
o
rit
h
m
,
e
n
h
a
n
c
e
d
w
it
h
L
é
v
y
f
li
g
h
t
-
b
a
se
d
e
x
p
lo
ra
ti
o
n
,
a
d
a
p
ti
v
e
c
ro
ss
o
v
e
r,
a
n
d
a
sm
a
rt
lo
c
a
l
se
a
rc
h
m
e
c
h
a
n
ism
.
T
h
e
fra
m
e
w
o
rk
b
a
lan
c
e
s
g
lo
b
a
l
e
x
p
lo
ra
ti
o
n
a
n
d
l
o
c
a
l
e
x
p
lo
it
a
ti
o
n
w
h
il
e
p
re
se
rv
in
g
p
o
p
u
lati
o
n
d
iv
e
rsit
y
a
n
d
in
ten
sif
y
in
g
se
a
r
c
h
a
ro
u
n
d
p
r
o
m
isin
g
so
lu
ti
o
n
s
.
A
p
ro
b
lem
-
a
wa
re
lo
c
a
l
se
a
rc
h
r
e
a
ll
o
c
a
tes
lo
n
g
-
d
u
ra
ti
o
n
tas
k
s
to
h
ig
h
-
p
e
rf
o
r
m
a
n
c
e
v
irt
u
a
l
m
a
c
h
in
e
s
a
n
d
se
lec
ti
v
e
l
y
s
w
a
p
s
tas
k
s
w
it
h
p
o
o
r
re
sp
o
n
se
ti
m
e
s.
Ex
p
e
ri
m
e
n
ts
o
n
a
h
e
tero
g
e
n
e
o
u
s
c
lo
u
d
e
n
v
iro
n
m
e
n
t
w
it
h
3
0
0
tas
k
s
a
n
d
5
0
v
irt
u
a
l
m
a
c
h
i
n
e
s,
u
si
n
g
m
in
–
m
a
x
sc
a
li
n
g
f
o
r
w
o
rk
lo
a
d
n
o
rm
a
li
z
a
ti
o
n
,
d
e
m
o
n
stra
te
th
a
t
BW
O
A
o
u
tp
e
rf
o
rm
s
c
las
sic
a
l
m
e
th
o
d
s,
in
c
lu
d
in
g
f
irst
c
o
m
e
,
f
irst
se
rv
e
d
(F
CF
S
)
a
n
d
M
i
n
-
M
i
n
s
c
h
e
d
u
li
n
g
a
lg
o
rit
h
m
s
,
a
c
h
iev
in
g
su
p
e
rio
r
m
a
k
e
sp
a
n
(≈3
2
.
7
7
s)
w
h
il
e
m
a
in
tain
i
n
g
c
o
m
p
e
ti
ti
v
e
u
ti
li
z
a
ti
o
n
,
th
r
o
u
g
h
p
u
t,
a
n
d
e
n
e
rg
y
e
ff
icie
n
c
y
.
T
h
e
se
re
su
lt
s
h
ig
h
li
g
h
t
t
h
e
e
ff
e
c
ti
v
e
n
e
ss
o
f
h
y
b
rid
m
e
tah
e
u
risti
c
a
p
p
ro
a
c
h
e
s
i
n
teg
ra
ti
n
g
m
u
lt
ip
le
o
p
ti
m
iza
ti
o
n
stra
teg
ies
fo
r
m
u
lt
i
-
o
b
jec
ti
v
e
tas
k
sc
h
e
d
u
li
n
g
in
larg
e
-
sc
a
le
c
lo
u
d
sy
ste
m
s,
p
ro
v
id
in
g
a
ro
b
u
st
a
n
d
sc
a
lab
le
so
l
u
ti
o
n
f
o
r
b
o
th
a
c
a
d
e
m
ic res
e
a
rc
h
a
n
d
p
ra
c
ti
c
a
l
d
e
p
lo
y
m
e
n
t.
K
ey
w
o
r
d
s
:
A
d
ap
tiv
e
cr
o
s
s
o
v
er
C
lo
u
d
co
m
p
u
tin
g
E
n
er
g
y
e
f
f
icie
n
c
y
L
é
v
y
f
li
g
h
t
Mu
lti
-
d
ata
ce
n
ter
m
an
a
g
e
m
e
n
t
R
eso
u
r
ce
s
c
h
ed
u
l
in
g
T
ask
s
ch
ed
u
l
in
g
T
h
is i
s
a
n
o
p
e
n
a
c
c
e
ss
a
rticle
u
n
d
e
r th
e
CC B
Y
-
SA
li
c
e
n
se
.
C
o
r
r
e
s
p
o
nd
ing
A
uth
o
r
:
A
li M
o
h
a
m
m
ed
Ah
m
ed
Dep
ar
t
m
en
t o
f
C
o
m
p
u
ter
Scie
n
ce
,
Facu
l
t
y
o
f
E
d
u
ca
tio
n
,
U
n
i
v
er
s
it
y
o
f
T
elaf
er
T
elaf
er
,
I
r
a
q
E
m
ail:
ali.
m
.
ah
m
ed
@
u
o
tela
f
e
r
.
ed
u
.
iq
1.
I
NT
RO
D
UCT
I
O
N
C
lo
u
d
co
m
p
u
tin
g
h
a
s
b
ec
o
m
e
th
e
b
ac
k
b
o
n
e
o
f
m
o
d
er
n
l
ar
g
e
-
s
ca
le
d
is
tr
ib
u
ted
s
y
s
te
m
s
,
o
f
f
er
i
n
g
f
le
x
ib
le,
o
n
-
d
e
m
an
d
ac
ce
s
s
to
co
m
p
u
tatio
n
al
r
eso
u
r
ce
s
ac
r
o
s
s
g
eo
g
r
ap
h
icall
y
d
is
tr
ib
u
ted
d
ata
ce
n
ter
s
.
E
f
f
icien
t
tas
k
s
c
h
ed
u
lin
g
i
n
t
h
ese
e
n
v
ir
o
n
m
en
t
s
r
e
m
ain
s
a
h
i
g
h
l
y
c
h
alle
n
g
in
g
NP
-
h
ar
d
p
r
o
b
lem
d
u
e
to
t
h
e
h
eter
o
g
e
n
eit
y
o
f
v
ir
t
u
al
m
ac
h
in
es
(
VM
s
)
,
d
y
n
a
m
ic
an
d
u
n
p
r
ed
ictab
le
w
o
r
k
lo
ad
s
,
an
d
co
n
f
licti
n
g
o
b
j
ec
tiv
es
s
u
c
h
as
m
ak
e
s
p
an
,
r
eso
u
r
ce
u
tili
za
tio
n
,
th
r
o
u
g
h
p
u
t,
an
d
en
er
g
y
co
n
s
u
m
p
tio
n
[
1
]
–
[
5
]
.
T
r
ad
itio
n
al
h
eu
r
i
s
tics
s
u
c
h
as
f
ir
s
t
-
co
m
e
-
f
ir
s
t
-
s
er
v
ed
(
FC
F
S),
R
o
u
n
d
R
o
b
in
(
R
R
)
,
Min
–
Mi
n
,
an
d
Ma
x
–
Mi
n
p
r
o
v
id
e
s
i
m
p
lic
it
y
an
d
lo
w
co
m
p
u
tatio
n
al
o
v
er
h
ea
d
,
b
u
t
th
e
y
o
f
te
n
f
ai
l
to
s
ca
le
ef
f
ec
tiv
e
l
y
an
d
ca
n
n
o
t
s
i
m
u
lt
an
eo
u
s
l
y
o
p
ti
m
ize
m
u
ltip
le
o
b
j
ec
tiv
es in
h
eter
o
g
en
eo
u
s
clo
u
d
en
v
ir
o
n
m
en
t
s
[
6
]
–
[
8
]
.
Evaluation Warning : The document was created with Spire.PDF for Python.
I
SS
N
:
2
5
0
2
-
4
7
52
I
n
d
o
n
esia
n
J
E
lec
E
n
g
&
C
o
m
p
Sci
,
Vo
l.
42
,
No
.
3
,
J
u
n
e
20
26
:
9
1
3
-
926
914
W
ith
co
n
te
m
p
o
r
ar
y
clo
u
d
co
m
p
u
ti
n
g
in
f
r
astr
u
ctu
r
e
s
,
o
r
g
an
izatio
n
s
ch
a
n
g
e
t
h
e
w
a
y
th
e
y
p
r
o
v
is
io
n
an
d
m
an
a
g
e
co
m
p
u
tat
io
n
al
r
eso
u
r
ce
s
.
T
h
ey
o
f
f
er
u
n
p
r
ec
ed
en
ted
s
ca
lab
ilit
y
an
d
ca
n
b
e
o
p
er
ated
f
r
o
m
an
y
w
h
er
e.
Yet
tr
ad
itio
n
al
r
es
o
u
r
ce
s
ch
ed
u
l
in
g
m
eth
o
d
s
ar
e
n
o
lo
n
g
er
s
u
f
f
icien
t
in
t
h
e
f
a
ce
o
f
s
u
c
h
d
iv
er
s
e
ap
p
licatio
n
r
eq
u
ir
e
m
e
n
ts
as
well
as c
o
m
p
le
x
s
p
ac
e
i
n
f
o
r
m
ati
o
n
n
et
w
o
r
k
(
SIN
)
m
a
n
a
g
e
m
e
n
t
is
s
u
es.
E
s
p
ec
iall
y
in
m
u
lt
i
-
ten
a
n
t c
lo
u
d
en
v
ir
o
n
m
en
ts
[
9
]
.
A
lt
h
o
u
g
h
in
cla
s
s
ical
s
c
h
ed
u
li
n
g
al
g
o
r
ith
m
s
o
p
ti
m
izatio
n
lan
d
s
ca
p
es
ca
n
b
e
s
ee
n
as
a
m
u
l
ti
-
d
i
m
en
s
io
n
al
p
ict
u
r
e,
th
e
m
o
v
e
to
w
ar
d
s
clo
u
d
r
eso
u
r
ce
m
an
a
g
e
m
e
n
t
m
a
k
e
s
th
e
s
e
co
n
ce
p
ts
m
u
c
h
m
o
r
e
co
m
p
le
x
[
1
0
]
,
[
1
1
]
.
T
o
o
v
er
co
m
e
t
h
e
s
e
li
m
itatio
n
s
,
a
w
id
e
r
an
g
e
o
f
m
eta
h
eu
r
i
s
tic
al
g
o
r
ith
m
s
h
a
v
e
b
ee
n
e
x
p
lo
r
ed
f
o
r
clo
u
d
tas
k
s
c
h
ed
u
li
n
g
.
P
ar
ticle
s
w
ar
m
o
p
ti
m
izatio
n
(
P
SO)
l
ev
er
ag
es
co
llecti
v
e
lear
n
i
n
g
t
o
i
m
p
r
o
v
e
tas
k
–
VM
m
ap
p
in
g
b
u
t
s
u
f
f
er
s
f
r
o
m
p
r
e
m
at
u
r
e
co
n
v
er
g
en
ce
w
it
h
la
r
g
e
-
s
ca
le
tas
k
s
[
1
2
]
.
Gen
etic
alg
o
r
ith
m
s
(
G
A
)
in
cr
ea
s
e
s
o
l
u
tio
n
d
iv
er
s
it
y
v
i
a
cr
o
s
s
o
v
er
an
d
m
u
tatio
n
b
u
t
in
cu
r
h
i
g
h
co
m
p
u
tatio
n
al
o
v
er
h
ea
d
an
d
u
n
s
tab
le
co
n
v
e
r
g
e
n
ce
i
n
d
y
n
a
m
ic
w
o
r
k
lo
ad
s
[
1
3
]
.
A
n
t
co
lo
n
y
o
p
ti
m
izat
io
n
(
A
C
O)
m
o
d
el
s
ta
s
k
allo
ca
tio
n
as
a
p
h
er
o
m
o
n
e
-
g
u
id
ed
s
ea
r
ch
,
i
m
p
r
o
v
in
g
lo
ad
b
alan
ci
n
g
,
y
e
t
is
s
e
n
s
iti
v
e
to
p
ar
a
m
eter
t
u
n
in
g
a
n
d
co
n
v
er
g
e
s
s
lo
w
l
y
o
n
co
m
p
le
x
g
r
ap
h
s
[
1
4
]
.
Si
m
i
lar
l
y
,
W
h
ale
o
p
tim
izatio
n
alg
o
r
ith
m
(
W
O
A
)
p
r
o
v
id
es
b
alan
ce
d
ex
p
lo
r
atio
n
an
d
ex
p
lo
itatio
n
i
n
s
p
ir
ed
b
y
b
u
b
b
le
-
n
et
h
u
n
t
in
g
[
1
5
]
,
w
h
ile
B
at
alg
o
r
ith
m
(
B
A
)
o
f
f
er
s
ef
f
icie
n
t
lo
ca
l
s
ea
r
ch
v
ia
ad
ap
tiv
e
lo
u
d
n
es
s
an
d
p
u
l
s
e
r
ates
[
1
6
]
.
Stan
d
alo
n
e
m
eta
h
eu
r
i
s
tic
s
,
h
o
w
e
v
er
,
ar
e
o
f
ten
li
m
ited
b
y
lo
w
s
o
l
u
tio
n
d
i
v
er
s
it
y
,
p
r
em
at
u
r
e
co
n
v
er
g
e
n
ce
,
a
n
d
in
ab
ilit
y
to
o
p
ti
m
ize
m
u
ltip
le
o
b
j
ec
tiv
es
s
i
m
u
lta
n
eo
u
s
l
y
.
R
ec
en
t
r
esear
c
h
h
a
s
s
h
i
f
ted
t
o
w
ar
d
h
y
b
r
id
m
etah
e
u
r
is
tic
f
r
a
m
e
w
o
r
k
s
,
co
m
b
i
n
i
n
g
co
m
p
le
m
e
n
tar
y
s
tr
en
g
th
s
o
f
m
u
ltip
le
al
g
o
r
ith
m
s
to
en
h
a
n
ce
s
c
h
ed
u
l
in
g
p
er
f
o
r
m
a
n
ce
.
H
y
b
r
id
ap
p
r
o
ac
h
es,
s
u
c
h
a
s
P
S
O
-
Gr
e
y
W
o
lf
o
p
ti
m
izer
(
GW
O
)
,
P
SO
-
Gr
a
s
s
h
o
p
p
er
o
p
tim
izat
io
n
al
g
o
r
ith
m
(
GO
A
)
,
a
n
d
P
SO
–
A
C
O,
h
a
v
e
d
em
o
n
s
tr
ated
i
m
p
r
o
v
e
m
e
n
ts
in
m
a
k
esp
an
,
u
tili
za
t
io
n
,
an
d
r
esp
o
n
s
e
ti
m
e
ac
r
o
s
s
cl
o
u
d
an
d
clo
u
d
–
f
o
g
en
v
ir
o
n
m
e
n
t
s
[
1
7
]
–
[
1
9
]
.
Mo
r
eo
v
er
,
en
er
g
y
-
a
w
ar
e
s
c
h
ed
u
lin
g
s
tr
ate
g
ies
i
n
teg
r
at
in
g
m
etah
eu
r
i
s
tic
s
h
a
v
e
g
ain
ed
atte
n
tio
n
,
ad
d
r
ess
in
g
s
u
s
tai
n
ab
ilit
y
an
d
p
o
w
er
ef
f
icie
n
c
y
i
n
d
ata
ce
n
ter
s
[
2
0
]
–
[
2
2
]
.
T
o
f
u
r
th
er
en
h
an
ce
d
iv
er
s
i
f
icatio
n
a
n
d
escap
e
l
o
ca
l
o
p
tim
a,
L
é
v
y
f
lig
h
t
m
ec
h
an
i
s
m
s
h
a
v
e
b
ee
n
i
n
co
r
p
o
r
ated
in
to
h
y
b
r
id
f
r
a
m
e
w
o
r
k
s
,
s
h
o
w
in
g
i
m
p
r
o
v
e
d
co
n
v
er
g
e
n
ce
an
d
p
er
f
o
r
m
a
n
ce
in
m
u
lti
-
o
b
j
ec
tiv
e
clo
u
d
s
c
h
ed
u
li
n
g
[
2
3
]
–
[
2
5
]
.
Desp
ite
th
e
s
e
ad
v
an
ce
s
,
s
ev
er
al
cr
itical
g
ap
s
r
e
m
ai
n
.
Mo
s
t
ex
is
t
in
g
m
e
th
o
d
s
o
p
ti
m
ize
o
n
l
y
a
s
u
b
s
e
t
o
f
o
b
j
ec
tiv
es,
lack
in
g
co
m
p
r
e
h
en
s
i
v
e
m
u
lti
-
o
b
j
ec
tiv
e
tr
ad
e
-
o
f
f
s
,
w
h
ile
m
a
n
y
h
y
b
r
id
alg
o
r
ith
m
s
lac
k
r
o
b
u
s
t
d
iv
er
s
i
f
icatio
n
m
ec
h
a
n
is
m
s
to
escap
e
lo
ca
l
o
p
ti
m
a.
F
u
r
th
er
m
o
r
e,
ta
s
k
-
le
v
el
r
e
f
in
e
m
e
n
t
s
s
u
c
h
as
i
n
tel
lig
e
n
t
r
ea
s
s
ig
n
m
e
n
t
o
f
lo
n
g
-
d
u
r
ati
o
n
task
s
to
h
ig
h
-
p
er
f
o
r
m
a
n
ce
VM
s
ar
e
o
f
ten
ig
n
o
r
ed
,
an
d
co
m
p
ar
ati
v
e
ev
alu
a
tio
n
s
r
ar
el
y
co
n
s
id
er
h
e
t
er
o
g
en
eo
u
s
clo
u
d
en
v
ir
o
n
m
en
ts
w
it
h
r
ea
lis
tic
w
o
r
k
lo
ad
s
.
T
o
ad
d
r
ess
th
ese
g
ap
s
,
th
i
s
p
ap
er
p
r
o
p
o
s
es
a
L
év
y
f
l
ig
h
t
-
b
ased
h
y
b
r
id
B
at
–
W
h
ale
o
p
ti
m
izat
io
n
alg
o
r
ith
m
(
B
W
O
A
)
.
T
h
e
f
r
am
e
w
o
r
k
i
n
teg
r
ate
s
W
OA
f
o
r
g
l
o
b
al
ex
p
lo
r
atio
n
,
B
A
f
o
r
lo
ca
l
ex
p
lo
itatio
n
,
L
év
y
f
li
g
h
ts
f
o
r
en
h
a
n
ce
d
d
iv
er
s
i
f
i
ca
tio
n
,
ad
ap
tiv
e
cr
o
s
s
o
v
er
f
o
r
s
o
lu
tio
n
r
ef
i
n
e
m
e
n
t,
an
d
a
s
m
ar
t
lo
ca
l
r
ep
air
m
ec
h
a
n
i
s
m
f
o
r
lo
n
g
-
tas
k
r
ea
s
s
ig
n
m
en
t.
T
h
is
co
m
b
i
n
atio
n
en
ab
les
r
o
b
u
s
t
m
u
lti
-
o
b
j
ec
tiv
e
o
p
ti
m
izatio
n
a
n
d
i
m
p
r
o
v
ed
s
ca
lab
ilit
y
in
lar
g
e
-
s
ca
le
h
eter
o
g
e
n
eo
u
s
clo
u
d
en
v
i
r
o
n
m
e
n
ts
.
T
h
e
m
ai
n
co
n
tr
ib
u
tio
n
s
o
f
t
h
is
s
t
u
d
y
ar
e
as
f
o
llo
w
s
.
Fir
s
t
,
a
n
o
v
el
h
y
b
r
id
B
W
OA
f
r
am
e
w
o
r
k
i
s
d
ev
elo
p
ed
,
in
teg
r
atin
g
W
OA
,
B
A
,
a
n
d
L
év
y
f
li
g
h
t
s
t
o
s
i
m
u
ltan
eo
u
s
l
y
o
p
ti
m
ize
m
ak
e
s
p
an
,
r
eso
u
r
ce
u
tili
za
t
io
n
,
t
h
r
o
u
g
h
p
u
t,
an
d
e
n
er
g
y
co
n
s
u
m
p
tio
n
.
Seco
n
d
,
an
ad
ap
tiv
e
cr
o
s
s
o
v
er
m
ec
h
a
n
is
m
a
n
d
s
m
ar
t
lo
ca
l
r
ep
air
s
tr
ateg
y
ar
e
in
tr
o
d
u
ce
d
to
im
p
r
o
v
e
tas
k
–
VM
as
s
ig
n
m
en
t,
p
ar
ticu
lar
l
y
f
o
r
lo
n
g
-
d
u
r
atio
n
task
s
.
T
h
ir
d
,
ex
ten
s
i
v
e
s
i
m
u
latio
n
s
ar
e
co
n
d
u
cted
o
n
h
eter
o
g
en
eo
u
s
clo
u
d
en
v
ir
o
n
m
en
ts
w
it
h
r
ea
lis
tic
w
o
r
k
lo
ad
m
o
d
els
,
b
en
ch
m
ar
k
i
n
g
p
er
f
o
r
m
an
ce
a
g
ain
s
t
clas
s
ical
h
e
u
r
is
tics
an
d
s
tate
-
of
-
t
h
e
-
ar
t
h
y
b
r
id
m
et
ah
eu
r
i
s
tics
.
Fo
u
r
th
,
P
ar
eto
-
o
p
tim
al
s
o
l
u
tio
n
s
ar
e
d
e
m
o
n
s
tr
ated
to
b
alan
ce
c
o
n
f
li
ctin
g
o
b
j
ec
tiv
es,
ad
d
r
ess
in
g
g
ap
s
id
en
tif
ied
in
th
e
ex
is
t
in
g
liter
at
u
r
e.
Fin
al
l
y
,
p
r
ac
tical
in
s
i
g
h
ts
ar
e
p
r
o
v
id
ed
f
o
r
clo
u
d
p
r
o
v
id
er
s
an
d
d
is
tr
ib
u
ted
s
y
s
te
m
s
m
an
a
g
er
s
to
en
h
a
n
ce
s
c
h
ed
u
li
n
g
e
f
f
icie
n
c
y
,
r
ed
u
ce
e
n
er
g
y
c
o
n
s
u
m
p
tio
n
,
an
d
i
m
p
r
o
v
e
s
er
v
ice
q
u
alit
y
.
2.
RE
L
AT
E
D
WO
RK
C
lo
u
d
tas
k
s
c
h
ed
u
li
n
g
in
lar
g
e
-
s
ca
le
d
is
tr
ib
u
ted
an
d
clo
u
d
c
o
m
p
u
ti
n
g
e
n
v
ir
o
n
m
en
ts
is
a
well
-
k
n
o
w
n
NP
-
h
ar
d
o
p
ti
m
izatio
n
p
r
o
b
lem
d
u
e
to
h
eter
o
g
e
n
eo
u
s
VM
s
,
d
y
n
a
m
ic
w
o
r
k
lo
ad
s
,
an
d
c
o
n
f
lic
tin
g
o
b
j
ec
tiv
es
s
u
c
h
as
m
a
k
e
s
p
an
,
r
eso
u
r
ce
u
tili
za
t
io
n
,
t
h
r
o
u
g
h
p
u
t,
an
d
e
n
er
g
y
co
n
s
u
m
p
tio
n
.
E
ar
l
y
s
c
h
ed
u
li
n
g
ap
p
r
o
ac
h
es
s
u
c
h
as
FC
F
S
,
RR
,
Mi
n
–
Min
,
an
d
Ma
x
–
Min
w
er
e
w
id
el
y
ad
o
p
ted
d
u
e
to
th
eir
s
i
m
p
licit
y
;
h
o
w
ev
er
,
th
e
s
e
h
eu
r
i
s
tics
s
u
f
f
er
f
r
o
m
p
o
o
r
s
c
alab
ilit
y
a
n
d
lac
k
th
e
ab
ilit
y
to
b
alan
ce
m
u
lt
ip
le
o
b
j
ec
tiv
es
in
h
eter
o
g
e
n
eo
u
s
en
v
ir
o
n
m
e
n
t
s
[
1
]
–
[
3
]
.
T
o
o
v
er
co
m
e
t
h
ese
li
m
itat
io
n
s
,
r
esear
ch
er
s
b
eg
an
e
m
p
lo
y
i
n
g
m
etah
e
u
r
is
tic
o
p
ti
m
izat
io
n
al
g
o
r
ith
m
s
.
P
SO
h
as
b
ee
n
e
x
te
n
s
i
v
el
y
u
s
e
d
to
im
p
r
o
v
e
ta
s
k
–
VM
m
ap
p
i
n
g
b
y
le
v
er
ag
i
n
g
co
llec
tiv
e
le
ar
n
in
g
m
ec
h
a
n
i
s
m
s
,
y
et
it
o
f
te
n
s
u
f
f
er
s
f
r
o
m
p
r
e
m
atu
r
e
co
n
v
er
g
en
ce
w
h
e
n
d
ea
lin
g
w
i
th
lar
g
e
-
s
ca
le
tas
k
s
et
s
[
4
]
.
Sim
ilar
l
y
,
GA
Evaluation Warning : The document was created with Spire.PDF for Python.
I
n
d
o
n
esia
n
J
E
lec
E
n
g
&
C
o
m
p
Sci
I
SS
N:
2
5
0
2
-
4
7
52
Mu
lti
-
o
b
jective
ta
s
k
s
ch
ed
u
lin
g
in
la
r
g
e
-
s
ca
le
d
is
tr
ib
u
ted
s
y
s
tems u
s
in
g
… (
A
li
Mo
h
a
mme
d
A
h
med
)
915
en
h
a
n
ce
s
o
lu
tio
n
d
i
v
er
s
it
y
t
h
r
o
u
g
h
cr
o
s
s
o
v
er
an
d
m
u
tatio
n
o
p
er
ato
r
s
b
u
t
in
c
u
r
h
i
g
h
co
m
p
u
tatio
n
al
o
v
er
h
ea
d
an
d
u
n
s
tab
le
co
n
v
er
g
e
n
ce
b
eh
av
io
r
in
d
y
n
a
m
ic
clo
u
d
en
v
ir
o
n
m
e
n
t
s
[
5
]
.
AC
O
h
as
a
ls
o
b
ee
n
ap
p
lied
t
o
clo
u
d
task
s
c
h
ed
u
li
n
g
b
y
m
o
d
elin
g
ta
s
k
allo
ca
tio
n
a
s
a
p
h
er
o
m
o
n
e
-
g
u
id
ed
s
ea
r
ch
p
r
o
ce
s
s
.
W
h
ile
AC
O
-
b
ased
s
ch
ed
u
ler
s
d
e
m
o
n
s
tr
ate
i
m
p
r
o
v
e
m
e
n
t
s
in
lo
ad
b
alan
cin
g
,
th
e
y
ar
e
s
en
s
iti
v
e
to
p
ar
a
m
eter
t
u
n
in
g
an
d
m
a
y
co
n
v
er
g
e
s
lo
w
l
y
f
o
r
lar
g
e
tas
k
g
r
ap
h
s
[
6
]
.
Di
f
f
er
e
n
tial
E
v
o
lu
t
io
n
a
n
d
A
r
ti
f
icial
B
ee
C
o
lo
n
y
a
lg
o
r
it
h
m
s
h
a
v
e
s
h
o
w
n
co
m
p
eti
tiv
e
p
er
f
o
r
m
a
n
ce
,
b
u
t
th
ei
r
e
f
f
ec
t
iv
en
e
s
s
d
i
m
in
is
h
e
s
w
h
e
n
o
p
ti
m
izi
n
g
m
u
ltip
le
o
b
jectiv
es
s
i
m
u
l
tan
eo
u
s
l
y
[
7
]
.
Mo
r
e
r
ec
en
tl
y
,
W
O
A
h
as
g
ai
n
ed
atten
tio
n
d
u
e
to
its
b
ala
n
ce
d
ex
p
lo
r
atio
n
–
ex
p
lo
itatio
n
m
ec
h
a
n
i
s
m
in
s
p
ir
ed
b
y
b
u
b
b
le
-
n
et
h
u
n
ti
n
g
.
Sev
er
al
s
t
u
d
ies
r
ep
o
r
ted
th
at
W
OA
-
b
a
s
ed
s
ch
ed
u
ler
s
o
u
tp
er
f
o
r
m
class
ica
l
h
eu
r
i
s
tics
i
n
m
i
n
i
m
izi
n
g
m
a
k
esp
an
an
d
i
m
p
r
o
v
i
n
g
u
tili
za
ti
o
n
;
h
o
w
ev
er
,
s
ta
n
d
alo
n
e
W
OA
o
f
te
n
ex
p
er
ie
n
ce
s
s
tag
n
atio
n
an
d
lo
s
s
o
f
p
o
p
u
la
tio
n
d
iv
er
s
it
y
in
la
ter
iter
atio
n
s
[
8
]
,
[
9
]
.
Si
m
ilar
l
y
,
th
e
BA
p
r
o
v
id
es
ef
f
ec
ti
v
e
lo
ca
l
ex
p
lo
itati
o
n
th
r
o
u
g
h
ad
ap
tiv
e
lo
u
d
n
es
s
an
d
p
u
ls
e
e
m
is
s
io
n
r
ates,
b
u
t
its
g
lo
b
al
ex
p
lo
r
atio
n
ca
p
ab
ilit
y
r
e
m
ain
s
li
m
ited
w
h
e
n
u
s
ed
in
d
ep
en
d
en
tl
y
[
1
0
]
.
T
o
ad
d
r
ess
th
e
s
h
o
r
tco
m
i
n
g
s
o
f
s
in
g
le
m
eta
h
e
u
r
is
tic
s
,
r
esear
ch
er
s
h
av
e
p
r
o
p
o
s
ed
h
y
b
r
id
o
p
tim
izatio
n
f
r
a
m
e
w
o
r
k
s
.
H
y
b
r
i
d
P
SO
–
GW
O
s
ch
ed
u
ler
s
co
m
b
i
n
e
th
e
s
o
cial
lear
n
in
g
o
f
P
SO
w
it
h
t
h
e
lead
er
s
h
ip
h
ier
ar
ch
y
o
f
Gr
e
y
W
o
lf
Op
ti
m
izatio
n
,
r
esu
lti
n
g
in
i
m
p
r
o
v
ed
co
n
v
er
g
e
n
ce
s
p
ee
d
an
d
th
r
o
u
g
h
p
u
t
[
1
1
]
.
L
ik
e
w
i
s
e,
P
SO
–
GOA
an
d
P
SO
–
A
C
O
h
y
b
r
id
s
h
a
v
e
b
ee
n
ap
p
lied
in
clo
u
d
–
f
o
g
an
d
w
o
r
k
f
lo
w
s
ch
ed
u
li
n
g
s
ce
n
ar
io
s
,
d
e
m
o
n
s
tr
ati
n
g
en
h
a
n
ce
d
lo
ad
b
alan
cin
g
a
n
d
r
ed
u
c
ed
r
esp
o
n
s
e
ti
m
e
[
1
2
]
,
[
1
3
]
.
Sev
er
al
h
y
b
r
id
m
o
d
els
ex
p
li
citl
y
f
o
cu
s
o
n
m
u
lti
-
o
b
j
ec
tiv
e
s
ch
ed
u
li
n
g
.
Du
b
e
y
a
n
d
Sh
ar
m
a
[
1
5
]
p
r
o
p
o
s
ed
a
C
R
-
P
SO
al
g
o
r
ith
m
t
h
at
j
o
in
tl
y
o
p
ti
m
izes
m
ak
esp
an
an
d
d
ea
d
lin
e
co
n
s
tr
ain
t
s
;
h
o
w
e
v
er
,
en
er
g
y
ef
f
icien
c
y
w
a
s
n
o
t
co
n
s
id
er
ed
[
1
4
]
.
Hu
et
a
l.
[
1
8
]
in
tr
o
d
u
ce
d
a
m
a
n
y
-
o
b
j
ec
tiv
e
ev
o
l
u
tio
n
ar
y
al
g
o
r
ith
m
f
o
r
clo
u
d
tas
k
s
c
h
ed
u
l
in
g
u
n
d
er
u
n
ce
r
tai
n
t
y
,
b
u
t
its
co
m
p
u
tati
o
n
al
co
m
p
le
x
it
y
i
n
cr
ea
s
es
s
i
g
n
i
f
ican
tl
y
w
it
h
t
h
e
n
u
m
b
er
o
f
o
b
j
ec
tiv
es.
E
n
er
g
y
-
a
w
ar
e
s
ch
ed
u
li
n
g
h
a
s
also
e
m
er
g
ed
as
a
cr
itical
r
esear
ch
d
ir
ec
tio
n
.
B
u
y
y
a
et
a
l.
[
4
]
e
m
p
h
a
s
ized
s
u
s
tai
n
ab
le
clo
u
d
co
m
p
u
ti
n
g
a
n
d
p
r
o
p
o
s
ed
in
teg
r
ated
en
er
g
y
–
r
eso
u
r
ce
m
a
n
ag
e
m
en
t stra
te
g
ies
f
o
r
n
ex
t
-
g
e
n
er
atio
n
d
ata
ce
n
ter
s
.
D
y
n
a
m
ic
VM
allo
ca
tio
n
tech
n
iq
u
e
s
co
m
b
in
ed
w
i
th
h
e
u
r
is
t
ic
s
ch
ed
u
ler
s
h
a
v
e
b
ee
n
s
h
o
w
n
to
r
ed
u
ce
p
o
w
er
co
n
s
u
m
p
tio
n
,
th
o
u
g
h
o
f
te
n
at
t
h
e
ex
p
en
s
e
o
f
i
n
cr
ea
s
ed
m
a
k
e
s
p
an
[
2
0
]
.
T
o
en
h
an
ce
d
iv
er
s
if
ica
tio
n
an
d
escap
e
lo
ca
l
o
p
tim
a,
L
é
v
y
f
l
ig
h
t
m
ec
h
an
is
m
s
h
a
v
e
b
ee
n
in
co
r
p
o
r
ated
in
to
m
eta
h
e
u
r
is
tic
s
.
L
é
v
y
-
b
a
s
ed
W
OA
v
ar
ia
n
t
s
d
e
m
o
n
s
tr
ated
i
m
p
r
o
v
ed
g
lo
b
al
ex
p
lo
r
atio
n
an
d
r
ed
u
ce
d
p
r
em
at
u
r
e
co
n
v
er
g
e
n
ce
in
clo
u
d
s
ch
ed
u
li
n
g
p
r
o
b
le
m
s
[
2
0
]
.
Si
m
i
lar
i
m
p
r
o
v
e
m
en
ts
w
er
e
o
b
s
er
v
ed
w
h
en
L
é
v
y
f
li
g
h
ts
w
er
e
in
teg
r
ated
in
to
P
SO a
n
d
GW
O
-
b
ased
s
c
h
ed
u
ler
s
[
2
1
].
R
ec
en
t
s
t
u
d
ies
(
2
0
2
3
–
2
0
2
5
)
f
u
r
t
h
er
e
x
p
lo
r
ed
ad
v
an
ce
d
h
y
b
r
id
m
eta
h
eu
r
i
s
tic
s
.
P
u
j
ar
i
et
a
l.
[
2
2
]
p
r
o
p
o
s
ed
an
en
h
a
n
ce
d
Ma
r
in
e
P
r
ed
ato
r
s
A
lg
o
r
it
h
m
f
o
r
clo
u
d
task
s
c
h
ed
u
li
n
g
,
ac
h
iev
in
g
n
o
tab
le
i
m
p
r
o
v
e
m
en
t
s
i
n
m
a
k
esp
an
a
n
d
en
er
g
y
ef
f
ic
ien
c
y
.
P
o
r
et
a
l.
[
2
3
]
in
tr
o
d
u
ce
d
a
t
w
o
-
s
ta
g
e
m
u
lti
-
o
b
j
ec
tiv
e
f
r
a
m
e
w
o
r
k
b
ased
o
n
i
n
v
asi
v
e
tu
m
o
r
g
r
o
w
th
o
p
ti
m
izatio
n
,
th
o
u
g
h
t
h
e
ap
p
r
o
ac
h
r
eq
u
ir
e
s
e
x
ten
s
i
v
e
p
ar
a
m
eter
tu
n
in
g
.
H
y
b
r
id
Qo
S
-
a
w
ar
e
f
r
a
m
e
w
o
r
k
s
s
u
ch
as
H
L
W
O
A
h
av
e
a
ls
o
b
ee
n
p
r
o
p
o
s
ed
,
b
u
t
th
eir
p
er
f
o
r
m
a
n
c
e
r
e
m
ain
s
s
ce
n
ar
io
-
d
ep
en
d
en
t [
2
4
].
Un
li
k
e
m
o
s
t
e
x
is
tin
g
h
y
b
r
id
W
OA
-
b
ased
s
c
h
ed
u
li
n
g
ap
p
r
o
ac
h
es,
w
h
ich
t
y
p
ical
l
y
r
el
y
o
n
a
s
i
n
g
le
d
iv
er
s
i
f
icatio
n
m
ec
h
an
i
s
m
o
r
s
tatic
p
ar
am
e
t
er
co
n
f
i
g
u
r
atio
n
s
,
th
e
p
r
o
p
o
s
ed
m
et
h
o
d
in
te
g
r
ates
L
év
y
f
lig
h
t
-
b
ased
ex
p
lo
r
atio
n
,
ad
ap
tiv
e
cr
o
s
s
o
v
er
co
n
tr
o
l,
an
d
tas
k
-
lev
el
lo
ca
l
r
ep
air
s
tr
ateg
ie
s
w
it
h
in
a
u
n
i
f
ied
f
r
a
m
e
w
o
r
k
.
T
h
is
co
m
b
in
ed
d
esig
n
en
ab
les
a
m
o
r
e
b
alan
ce
d
ex
p
lo
r
atio
n
–
ex
p
lo
itatio
n
tr
ad
e
-
o
f
f
an
d
en
h
a
n
ce
s
r
o
b
u
s
tn
es
s
w
h
en
h
an
d
li
n
g
h
et
er
o
g
en
eo
u
s
w
o
r
k
lo
ad
s
an
d
lar
g
e
-
s
ca
le
tas
k
s
et
s
.
Desp
ite
th
e
p
r
o
g
r
ess
ac
h
ie
v
e
d
b
y
ex
i
s
tin
g
m
eth
o
d
s
,
s
e
v
er
al
li
m
itat
io
n
s
p
er
s
is
t:
i)
m
o
s
t
a
p
p
r
o
ac
h
es
o
p
tim
ize
a
li
m
ited
s
u
b
s
e
t
o
f
o
b
j
ec
tiv
es;
ii)
m
a
n
y
h
y
b
r
id
alg
o
r
ith
m
s
lack
r
o
b
u
s
t
d
iv
er
s
i
f
ica
tio
n
m
ec
h
a
n
is
m
s
t
o
escap
e
lo
ca
l
o
p
ti
m
a;
iii)
ta
s
k
-
lev
el
r
e
f
i
n
e
m
e
n
t
s
a
n
d
in
te
lli
g
en
t
r
ea
s
s
i
g
n
m
e
n
t
s
tr
ateg
ie
s
ar
e
o
f
te
n
o
v
er
lo
o
k
ed
,
an
d
iv
)
r
ep
o
r
ted
p
er
f
o
r
m
a
n
ce
g
ai
n
s
ar
e
f
r
eq
u
en
tl
y
m
o
d
e
s
t
an
d
n
o
t
co
n
s
i
s
ten
tl
y
v
alid
ated
ac
r
o
s
s
h
eter
o
g
e
n
eo
u
s
s
ce
n
ar
io
s
.
T
o
ad
d
r
ess
th
ese
g
ap
s
,
th
is
p
a
p
er
p
r
o
p
o
s
es
a
L
év
y
f
li
g
h
t
-
b
as
ed
h
y
b
r
id
B
W
OA
,
w
h
ic
h
s
y
n
e
r
g
is
tical
l
y
in
te
g
r
ates
W
O
A
f
o
r
g
lo
b
al
ex
p
lo
r
atio
n
,
B
A
f
o
r
lo
ca
l
ex
p
lo
i
tatio
n
,
L
év
y
f
li
g
h
ts
f
o
r
e
n
h
a
n
ce
d
d
iv
er
s
if
icatio
n
,
ad
ap
tiv
e
cr
o
s
s
o
v
er
f
o
r
s
o
lu
t
io
n
r
ef
i
n
e
m
e
n
t,
an
d
a
s
m
ar
t
lo
c
al
r
ep
air
m
ec
h
a
n
i
s
m
f
o
r
tas
k
r
ea
s
s
ig
n
m
e
n
t.
T
h
is
in
te
g
r
ated
d
esig
n
en
ab
le
s
r
o
b
u
s
t
m
u
lti
-
o
b
j
ec
tiv
e
o
p
tim
i
za
tio
n
an
d
i
m
p
r
o
v
ed
s
ca
lab
ilit
y
i
n
lar
g
e
-
s
ca
le
h
eter
o
g
e
n
eo
u
s
clo
u
d
en
v
ir
o
n
m
en
ts
.
Fu
r
t
h
er
m
o
r
e,
r
ec
en
t
s
t
u
d
ies
h
a
v
e
i
n
cr
ea
s
i
n
g
l
y
f
o
cu
s
ed
o
n
s
ca
lab
ilit
y
,
Qo
S
-
a
w
ar
e
n
ess
,
a
n
d
i
n
telli
g
e
n
t
h
y
b
r
id
izatio
n
s
tr
ateg
ie
s
f
o
r
clo
u
d
task
s
c
h
ed
u
l
in
g
.
B
ü
lb
ü
l
[
2
6
]
an
d
C
h
en
et
a
l.
[
2
7
]
d
em
o
n
s
tr
ated
th
a
t
ad
v
an
ce
d
ev
o
lu
tio
n
ar
y
a
n
d
k
n
o
w
led
g
e
-
b
a
s
ed
s
ch
ed
u
ler
s
s
ig
n
if
ican
t
l
y
i
m
p
r
o
v
e
m
a
k
esp
an
an
d
s
y
s
te
m
r
o
b
u
s
tn
es
s
i
n
h
eter
o
g
e
n
eo
u
s
c
lo
u
d
en
v
ir
o
n
m
e
n
t
s
.
Si
m
ilar
l
y
,
So
n
g
et
a
l.
[
2
8
]
an
d
R
a
m
ír
ez
-
Go
r
d
illo
et
a
l.
[
2
9
]
co
n
f
ir
m
ed
th
at
m
o
d
er
n
s
w
ar
m
-
b
a
s
ed
an
d
f
u
tu
r
e
-
i
n
te
r
n
et
-
o
r
ie
n
ted
s
ch
ed
u
lin
g
f
r
a
m
e
w
o
r
k
s
en
h
an
ce
co
n
v
er
g
e
n
ce
s
tab
il
it
y
a
n
d
ad
ap
tab
ilit
y
u
n
d
er
lar
g
e
-
s
ca
le
d
y
n
a
m
ic
w
o
r
k
lo
ad
s
.
Evaluation Warning : The document was created with Spire.PDF for Python.
I
SS
N
:
2
5
0
2
-
4
7
52
I
n
d
o
n
esia
n
J
E
lec
E
n
g
&
C
o
m
p
Sci
,
Vo
l.
42
,
No
.
3
,
J
u
n
e
20
26
:
9
1
3
-
926
916
3.
M
E
T
H
O
D
3
.
1
.
P
r
o
po
s
ed
a
pp
ro
a
ch
3
.
1
.
1
.
Da
t
a
co
llect
io
n
T
h
e
d
ataset
w
as
o
b
tai
n
ed
f
r
o
m
t
h
e
o
p
en
-
s
o
u
r
ce
Ka
g
g
le
p
latf
o
r
m
[
1
]
to
ca
p
tu
r
e
e
x
ec
u
tio
n
m
etr
ic
s
o
f
clo
u
d
task
s
o
n
a
h
eter
o
g
en
eo
u
s
cl
u
s
ter
o
f
VM
s
ac
r
o
s
s
m
u
l
tip
le
d
ata
ce
n
ter
s
.
E
ac
h
r
ec
o
r
d
co
n
tain
s
r
eso
u
r
ce
co
n
s
u
m
p
tio
n
m
e
tr
ics
(
C
P
U
,
m
e
m
o
r
y
,
s
to
r
ag
e,
b
an
d
wid
th
)
,
tas
k
ch
ar
ac
ter
is
tics
(
p
r
io
r
ity
,
len
g
t
h
)
,
an
d
p
er
f
o
r
m
an
ce
o
u
tco
m
es
(
co
m
p
letio
n
s
tat
u
s
,
late
n
c
y
,
en
er
g
y
co
n
s
u
m
p
t
io
n
)
.
T
h
is
d
ataset
s
u
p
p
o
r
ts
th
e
d
ev
elo
p
m
e
n
t
o
f
o
p
ti
m
ize
d
s
ch
ed
u
li
n
g
s
tr
ate
g
ies
f
o
r
la
r
g
e
-
s
ca
le
clo
u
d
s
y
s
te
m
s
w
it
h
d
iv
er
s
e
w
o
r
k
lo
ad
s
[
1
9
]
–
[2
1]
.
3
.
1
.
2
.
Da
t
a
prepro
ce
s
s
ing
A
ll
n
u
m
er
ic
attr
ib
u
te
s
w
er
e
n
o
r
m
alize
d
u
s
i
n
g
Mi
n
-
Ma
x
s
ca
lin
g
to
t
h
e
r
a
n
g
e
[
0
,
1
]
to
p
r
ev
en
t
d
o
m
i
n
a
n
ce
b
y
f
ea
tu
r
es
w
i
th
la
r
g
e
m
a
g
n
itu
d
e.
=
−
−
w
h
er
e
W
is
th
e
r
a
w
d
ata
v
a
lu
e,
W
min
a
n
d
W
m
ax
ar
e
t
h
e
m
i
n
i
m
u
m
a
n
d
m
ax
i
m
u
m
v
al
u
es
o
f
t
h
e
f
ea
t
u
r
e,
r
esp
ec
tiv
el
y
.
T
h
is
n
o
r
m
aliza
t
io
n
en
s
u
r
es
t
h
at
C
P
U,
m
e
m
o
r
y
,
s
to
r
ag
e,
a
n
d
b
an
d
w
id
th
m
etr
ic
s
co
n
tr
ib
u
te
eq
u
all
y
to
s
c
h
ed
u
l
in
g
d
ec
is
io
n
s
[
22]
.
3
.
1
.
3
.
P
ro
ble
m
s
t
a
t
e
m
ent
C
o
n
s
id
er
a
h
eter
o
g
en
eo
u
s
clo
u
d
d
atac
en
ter
w
it
h
a
s
et
o
f
tas
k
s
:
T
=
{
t1
,
t2
,
…
,
tn
}
an
d
a
s
et
o
f
v
ir
t
u
al
m
ac
h
in
e
s
:
V=
{v
m
1
,
v
m
2
,
…,
v
m
m
}
w
it
h
p
r
o
ce
s
s
i
n
g
ca
p
ac
itie
s
:
MI
P
Sj
∈
{5
0
0
,
1
0
0
0
,
1
5
0
0
,
2
0
0
0
}.
Af
ter
p
r
ep
r
o
ce
s
s
in
g
,
ea
ch
ta
s
k
t
i
is
ch
ar
ac
ter
ized
b
y
it
s
ar
r
iv
al
ti
m
e
a
i
,
tas
k
le
n
g
th
l
i
m
ea
s
u
r
ed
i
n
m
illi
o
n
in
s
tr
u
c
tio
n
s
(
MI
)
,
an
d
n
et
w
o
r
k
d
ela
y
d
i
.
T
h
e
o
b
j
ec
tiv
e
is
to
ass
ig
n
ea
ch
task
to
an
ap
p
r
o
p
r
iate
v
ir
tu
al
m
ac
h
i
n
e
s
u
c
h
th
a
t
th
e
m
a
k
esp
an
an
d
en
er
g
y
co
n
s
u
m
p
tio
n
ar
e
m
in
i
m
ized
,
w
h
i
le
r
eso
u
r
ce
u
t
ilizat
io
n
an
d
th
r
o
u
g
h
p
u
t
ar
e
m
ax
i
m
ized
,
an
d
w
aiti
n
g
an
d
r
esp
o
n
s
e
ti
m
es
ar
e
k
ep
t
lo
w
.
T
h
is
s
c
h
ed
u
li
n
g
p
r
o
b
lem
is
NP
-
h
ar
d
d
u
e
to
th
e
h
et
er
o
g
en
eit
y
o
f
v
ir
tu
al
m
ac
h
in
e
s
an
d
t
h
e
d
y
n
a
m
ic
n
at
u
r
e
o
f
tas
k
ar
r
iv
als
[
2
2
]
,
[
2
3
]
.
3
.
1
.
4
.
M
a
t
he
m
a
t
ica
l
f
o
r
m
ula
t
io
n
Ma
th
e
m
atica
l
f
o
r
m
u
latio
n
:
Dec
is
io
n
v
ar
iab
les:
,
=
{
1
,
if
task
is
ass
ig
n
ed
to
VM
0
,
o
th
er
w
is
e
≥
0
,
≥
w
h
er
e
an
d
d
en
o
te
th
e
s
tar
t t
i
m
e
an
d
f
in
is
h
ti
m
e
o
f
tas
k
,
r
e
s
p
ec
tiv
el
y
.
E
x
ec
u
t
io
n
ti
m
e:
(
,
)
=
MI
PS
w
h
er
e
is
t
h
e
len
g
t
h
o
f
tas
k
m
ea
s
u
r
ed
in
Mil
lio
n
I
n
s
tr
u
ct
io
n
s
(
MI
)
,
an
d
MI
P
S
is
th
e
p
r
o
ce
s
s
i
n
g
ca
p
ac
it
y
o
f
VM
.
C
o
n
s
tr
ain
t
s
:
Evaluation Warning : The document was created with Spire.PDF for Python.
I
n
d
o
n
esia
n
J
E
lec
E
n
g
&
C
o
m
p
Sci
I
SS
N:
2
5
0
2
-
4
7
52
Mu
lti
-
o
b
jective
ta
s
k
s
ch
ed
u
lin
g
in
la
r
g
e
-
s
ca
le
d
is
tr
ib
u
ted
s
y
s
tems u
s
in
g
… (
A
li
Mo
h
a
mme
d
A
h
med
)
917
≥
+
≥
if
,
=
1
=
+
∑
=
1
,
⋅
(
,
)
∑
=
1
,
=
1
,
,
∈
{
0
,
1
}
T
h
ese
co
n
s
tr
ai
n
ts
en
s
u
r
e
t
h
at
ea
ch
tas
k
is
a
s
s
i
g
n
ed
to
ex
ac
t
l
y
o
n
e
v
ir
t
u
al
m
ac
h
i
n
e
a
n
d
s
t
ar
ts
ex
ec
u
tio
n
o
n
l
y
af
ter
its
ar
r
iv
a
l ti
m
e
a
n
d
VM
a
v
ailab
ilit
y
.
Ob
j
ec
tiv
e
f
u
n
ctio
n
s
:
Ma
k
esp
a
n
:
=
ma
x
{
}
T
h
r
o
u
g
h
p
u
t:
T
h
r
o
u
g
h
p
u
t
=
Av
er
ag
e
u
tili
za
tio
n
:
Util
(
%
)
=
∑
=
1
⋅
×
100
w
h
er
e
r
ep
r
esen
ts
t
h
e
b
u
s
y
ti
m
e
o
f
VM
.
E
n
er
g
y
co
n
s
u
m
p
tio
n
(
li
n
ea
r
p
o
w
er
m
o
d
el)
:
=
∑
=
1
[
idl
e
+
(
m
ax
−
idl
e
)
]
⋅
3600
w
h
er
e
is
th
e
u
t
ilizatio
n
o
f
VM
,
an
d
idl
e
an
d
m
ax
d
en
o
te
id
le
an
d
m
ax
i
m
u
m
p
o
w
er
co
n
s
u
m
p
tio
n
,
r
esp
ec
tiv
el
y
.
Mu
lti
-
o
b
j
ec
tiv
e
s
ca
lar
izatio
n
:
(
)
=
1
.
+
2
.
−
3
.
−
4
.
ℎ
ℎ
,
>
=
0
W
h
er
e
w
k
ar
e
n
o
n
-
n
eg
a
tiv
e
w
e
ig
h
ts
r
ef
lecti
n
g
t
h
e
r
elati
v
e
i
m
p
o
r
tan
ce
o
f
ea
ch
o
b
j
ec
tiv
e.
3
.
1
.
5
.
P
ro
po
s
ed
L
év
y
f
lig
ht
-
b
a
s
ed
hy
brid B
WO
A
T
h
e
p
r
o
p
o
s
ed
B
W
OA
in
teg
r
ates
co
m
p
le
m
e
n
tar
y
m
ec
h
an
i
s
m
s
to
ad
d
r
ess
th
e
li
m
itatio
n
s
o
f
p
r
io
r
s
in
g
le
a
n
d
h
y
b
r
id
m
eta
h
e
u
r
is
ti
c
ap
p
r
o
ac
h
es
[
2
4
]
-
[
2
7
]
:
-
W
OA
f
o
r
g
lo
b
al
ex
p
lo
r
atio
n
:
en
cir
cli
n
g
p
r
e
y
a
n
d
s
p
ir
al
m
o
v
e
m
en
t stra
te
g
ies
g
u
id
e
th
e
s
ea
r
ch
p
r
o
ce
s
s
to
w
ar
d
p
r
o
m
i
s
i
n
g
r
e
g
io
n
s
o
f
t
h
e
s
o
lu
tio
n
s
p
ac
e.
-
L
é
v
y
f
li
g
h
ts
:
lo
n
g
-
r
an
g
e
r
an
d
o
m
j
u
m
p
s
ar
e
i
n
tr
o
d
u
ce
d
to
en
h
an
ce
ex
p
lo
r
atio
n
a
n
d
h
elp
th
e
alg
o
r
ith
m
escap
e
lo
ca
l o
p
tim
a.
-
A
d
ap
tiv
e
cr
o
s
s
o
v
er
:
a
d
y
n
a
m
i
c
cr
o
s
s
o
v
er
m
ec
h
a
n
i
s
m
b
ala
n
c
es e
x
p
lo
r
atio
n
an
d
ex
p
lo
itat
io
n
th
r
o
u
g
h
o
u
t
th
e
o
p
ti
m
izat
io
n
iter
atio
n
s
.
-
B
at
-
in
s
p
ir
ed
lo
ca
l sear
ch
:
s
m
a
ll
ad
ap
tiv
e
ad
j
u
s
t
m
e
n
ts
ar
e
ap
p
lied
to
r
ef
in
e
h
i
g
h
-
q
u
alit
y
tas
k
-
to
-
VM
ass
i
g
n
m
e
n
ts
.
-
S
m
ar
t lo
ca
l r
ep
air
:
th
e
lo
n
g
est
task
s
ar
e
r
ea
s
s
ig
n
ed
to
th
e
f
as
test
VM
s
,
a
n
d
li
m
i
ted
s
w
ap
o
p
er
atio
n
s
ar
e
p
er
f
o
r
m
ed
f
o
r
task
s
w
it
h
th
e
w
o
r
s
t r
esp
o
n
s
e
ti
m
es.
T
h
is
h
y
b
r
id
d
esig
n
en
s
u
r
es
r
o
b
u
s
t
m
u
lti
-
o
b
j
ec
tiv
e
o
p
ti
m
izatio
n
ac
r
o
s
s
m
a
k
esp
an
,
r
eso
u
r
ce
u
tili
za
t
io
n
,
th
r
o
u
g
h
p
u
t,
a
n
d
en
er
g
y
co
n
s
u
m
p
tio
n
[
2
5]
,
[
2
6
]
.
Evaluation Warning : The document was created with Spire.PDF for Python.
I
SS
N
:
2
5
0
2
-
4
7
52
I
n
d
o
n
esia
n
J
E
lec
E
n
g
&
C
o
m
p
Sci
,
Vo
l.
42
,
No
.
3
,
J
u
n
e
20
26
:
9
1
3
-
926
918
3
.
1
.
6
.
Alg
o
rit
h
m
ps
e
ud
o
co
de
Algorithm 1: BWOA for Cloud Task Scheduling
Input:
Preprocessed dataset (a_i, l_i, d_i), VMs {vm_j}, POP, ITERS, schedules cr(t),
p_follow(t),
Output:
Best assignment x* and metrics (SL, Util, Throughput, Energy)
1: x_greedy ← GreedyInit()
2: P ← { x_greedy plus (POP
-
1) perturbed variants }
3: Evaluate all x
∈
P; set x* ← argmin J(x)
4:
for
t = 0 .. ITERS−1
do
5:
τ ← t / (ITERS−1); cr ← cr(t); p_f ←
p_follow(t); p_L ← p_levy(t)
6:
for each
x
∈
P
do
7:
x′ ← x
8:
Apply WOA
-
follow toward x* with probability p_f
9:
Apply bat
-
inspired local tweaks
10:
Apply Lévy jumps on selected positions
11:
Adaptive crossover
with x*
12:
Smart local repair (longest tasks → fastest VMs, limited swaps)
13:
Replace x with x_child if J(x_child) ≤ J(x)
14:
end for
15:
Update x* if any individual improved best fitness
16:
end for
17:
return
x* and its metrics
3
.
1
.
7
.
Co
m
ple
x
it
y
a
nd
i
m
ple
m
e
nta
t
io
n no
t
es
a.
T
im
e
co
m
p
le
x
it
y
:
O
(
I
T
E
R
S
⋅
P
OP
⋅
T
)
b.
Me
m
o
r
y
co
m
p
le
x
it
y
:
O
(
P
OP
⋅
T
+
m
)
c.
Dete
r
m
i
n
is
t
ic
r
ep
r
o
d
u
cib
ilit
y
:
r
an
d
o
m
s
ee
d
s
ar
e
f
i
x
ed
to
en
s
u
r
e
r
ep
r
o
d
u
cib
le
ex
p
er
im
e
n
tal
r
esu
lts
.
d.
Feasib
ilit
y
ch
ec
k
s
:
tas
k
ar
r
iv
al
ti
m
es,
VM
a
v
ailab
ilit
y
,
an
d
n
et
w
o
r
k
d
ela
y
s
ar
e
co
n
ti
n
u
o
u
s
l
y
v
alid
ated
d
u
r
in
g
th
e
s
i
m
u
lat
io
n
p
r
o
ce
s
s
.
3
.
1
.
8
.
P
ra
ct
ic
a
l beha
v
io
r
Du
r
in
g
t
h
e
ea
r
l
y
o
p
ti
m
iza
tio
n
iter
atio
n
s
,
th
e
al
g
o
r
ith
m
e
m
p
h
a
s
izes
p
o
p
u
latio
n
d
i
v
er
s
i
t
y
th
r
o
u
g
h
lar
g
er
L
év
y
f
li
g
h
t
j
u
m
p
s
an
d
lo
w
er
cr
o
s
s
o
v
er
r
ates.
I
n
later
iter
atio
n
s
,
th
e
s
ea
r
ch
p
r
o
g
r
ess
iv
el
y
s
h
i
f
t
s
to
w
ar
d
lo
ca
l
ex
p
lo
itatio
n
to
r
ef
i
n
e
h
i
g
h
-
q
u
a
lit
y
s
o
l
u
tio
n
s
.
T
h
e
s
m
a
r
t
r
ep
air
m
ec
h
a
n
is
m
f
u
r
t
h
er
i
m
p
r
o
v
es
s
ch
ed
u
li
n
g
d
ec
is
io
n
s
f
o
r
lo
n
g
-
r
u
n
n
i
n
g
a
n
d
w
o
r
s
t
-
r
esp
o
n
s
e
ta
s
k
s
,
lead
i
n
g
to
r
ed
u
ce
d
m
ak
e
s
p
an
a
n
d
co
m
p
eti
tiv
e
e
n
er
g
y
ef
f
icien
c
y
i
n
h
ete
r
o
g
en
eo
u
s
cl
o
u
d
en
v
ir
o
n
m
e
n
ts
[
2
4
]
-
[
2
7
].
3.
2
.
Da
t
a
ce
nte
r
a
nd
ho
s
t
co
nfig
ura
t
io
ns
T
h
is
s
ec
tio
n
s
u
m
m
ar
izes
th
e
clo
u
d
en
v
ir
o
n
m
e
n
t
u
s
ed
in
o
u
r
ex
p
er
i
m
en
t
s
,
in
cl
u
d
in
g
d
ata
ce
n
ter
,
h
o
s
t/VM
co
n
f
ig
u
r
atio
n
s
,
an
d
s
ch
ed
u
lin
g
s
etu
p
.
Ass
u
m
ed
v
alu
es
ar
e
r
ea
s
o
n
ab
le
d
ef
a
u
lts
,
ad
j
u
s
tab
le
to
m
atc
h
r
ea
l
clo
u
d
p
latf
o
r
m
s
.
T
h
ese
c
o
n
f
i
g
u
r
atio
n
s
s
er
v
e
a
s
th
e
b
a
s
is
f
o
r
ev
a
lu
at
in
g
t
h
e
p
r
o
p
o
s
ed
B
W
OA
s
c
h
ed
u
ler
ag
ain
s
t
cla
s
s
ica
l
al
g
o
r
ith
m
s
.
T
h
e
T
a
b
le
1
s
u
m
m
ar
ize
s
t
h
e
h
i
g
h
-
le
v
el
clo
u
d
in
f
r
astr
u
ct
u
r
e
u
s
ed
.
I
t
i
n
clu
d
e
s
n
u
m
b
er
o
f
h
o
s
t
s
,
VM
d
is
tr
ib
u
tio
n
,
w
o
r
k
lo
ad
p
r
o
p
er
ties
,
an
d
en
er
g
y
m
o
d
el.
T
h
ese
p
ar
a
m
e
ter
s
ar
e
cr
itic
al
f
o
r
r
ep
r
o
d
u
cin
g
ex
p
er
i
m
en
ts
a
n
d
co
m
p
ar
i
n
g
s
c
h
ed
u
ler
p
er
f
o
r
m
an
ce
.
T
ab
le
2
s
h
o
w
s
VM
h
e
t
er
o
g
en
eit
y
i
n
ter
m
s
o
f
co
m
p
u
te
p
o
w
er
,
m
e
m
o
r
y
,
an
d
s
to
r
ag
e.
T
h
is
en
ab
les
tes
tin
g
s
ch
ed
u
ler
ad
ap
tab
ilit
y
ac
r
o
s
s
d
if
f
er
en
t
tas
k
r
eq
u
ir
e
m
en
ts
.
T
ab
le
3
d
ef
in
e
s
ex
p
er
i
m
e
n
tal
p
ar
a
m
eter
s
a
n
d
tu
n
in
g
f
o
r
th
e
p
r
o
p
o
s
ed
B
W
OA
s
ch
ed
u
ler
.
A
d
ap
tiv
e
cr
o
s
s
o
v
er
an
d
L
év
y
j
u
m
p
s
h
elp
a
v
o
id
p
r
em
at
u
r
e
co
n
v
er
g
e
n
ce
a
n
d
i
m
p
r
o
v
e
s
c
h
e
d
u
le
q
u
alit
y
.
T
ab
le
4
p
r
o
v
id
es
h
o
u
r
l
y
co
s
t
esti
m
ates
f
o
r
VM
s
.
Usef
u
l
f
o
r
ev
alu
a
tin
g
ex
ec
u
tio
n
co
s
t
alo
n
g
s
id
e
en
er
g
y
a
n
d
p
er
f
o
r
m
a
n
ce
m
e
tr
ics.
T
ab
le
5
s
h
o
w
s
s
tati
s
tical
d
is
tr
ib
u
t
io
n
o
f
task
s
u
s
ed
in
ex
p
er
i
m
en
t
s
.
T
h
is
tab
le
in
f
o
r
m
s
h
o
w
w
o
r
k
lo
ad
s
ar
e
p
r
o
ce
s
s
ed
an
d
h
o
w
th
e
y
a
f
f
ec
t
s
ch
ed
u
ler
p
er
f
o
r
m
a
n
ce
.
T
ab
le
1
.
Data
ce
n
ter
o
v
er
v
ie
w
P
a
r
a
me
t
e
r
Va
l
u
e
N
o
t
e
s
N
u
mb
e
r
o
f
d
a
t
a
c
e
n
t
e
r
s
1
S
i
n
g
l
e
c
l
o
u
d
d
a
t
a
c
e
n
t
e
r
P
h
y
si
c
a
l
h
o
st
s
(
n
o
d
e
s)
10
H
e
t
e
r
o
g
e
n
e
o
u
s c
l
u
s
t
e
r
T
o
t
a
l
V
M
s
50
1
3
S
mal
l
,
1
6
M
e
d
i
u
m
,
1
2
L
a
r
g
e
,
9
X
L
a
r
g
e
C
o
n
c
u
r
r
e
n
t
u
se
r
s
10
S
i
mu
l
t
a
n
e
o
u
s
c
l
o
u
d
u
se
r
s
T
a
sk
s p
e
r
e
x
p
e
r
i
me
n
t
3
0
0
S
a
mp
l
e
d
f
r
o
m
p
r
e
p
r
o
c
e
sse
d
d
a
t
a
se
t
D
a
t
a
se
t
p
r
e
p
r
o
c
e
ssi
n
g
M
i
n
–
M
a
x
sc
a
l
i
n
g
[
0
,
1
]
A
p
p
l
i
e
d
t
o
a
l
l
n
u
me
r
i
c
f
e
a
t
u
r
e
s
W
o
r
k
l
o
a
d
mo
d
e
l
i
n
g
,
,
(
a
r
r
i
v
a
l
)
,
(
M
I
)
,
(
n
e
t
d
e
l
a
y
)
D
e
r
i
v
e
d
f
r
o
m sc
a
l
e
d
f
e
a
t
u
r
e
s
N
e
t
w
o
r
k
mo
d
e
l
S
i
mp
l
e
d
e
l
a
y
(
f
r
o
m b
a
n
d
w
i
d
t
h
u
t
i
l
i
z
a
t
i
o
n
)
L
a
t
e
n
c
y
e
st
i
mat
i
o
n
P
o
w
e
r
mo
d
e
l
L
i
n
e
a
r
1
0
0
W
(
i
d
l
e
)
→
2
0
0
W
(
max
)
En
e
r
g
y
e
st
i
mat
i
o
n
i
n
k
W
h
O
b
j
e
c
t
i
v
e
s
↓
M
a
k
e
sp
a
n
,
↓
E
n
e
r
g
y
,
↑
U
t
i
l
i
z
a
t
i
o
n
,
↑
T
h
r
o
u
g
h
p
u
t
M
u
l
t
i
-
o
b
j
e
c
t
i
v
e
o
p
t
i
mi
z
a
t
i
o
n
Evaluation Warning : The document was created with Spire.PDF for Python.
I
n
d
o
n
esia
n
J
E
lec
E
n
g
&
C
o
m
p
Sci
I
SS
N:
2
5
0
2
-
4
7
52
Mu
lti
-
o
b
jective
ta
s
k
s
ch
ed
u
lin
g
in
la
r
g
e
-
s
ca
le
d
is
tr
ib
u
ted
s
y
s
tems u
s
in
g
… (
A
li
Mo
h
a
mme
d
A
h
med
)
919
T
ab
le
2
.
Ho
s
t/
VM
ty
p
e
co
n
f
i
g
u
r
atio
n
T
i
e
r
V
M
c
o
u
n
t
M
I
P
S
/
VM
v
C
P
U
c
o
r
e
s
R
A
M
(
G
B
)
S
t
o
r
a
g
e
(
G
B
)
B
a
n
d
w
i
d
t
h
(
G
b
p
s)
N
o
t
e
s
S
mal
l
13
5
0
0
1
4
1
0
0
1
L
i
g
h
t
w
e
i
g
h
t
t
a
s
k
s
/
e
d
g
e
-
l
i
k
e
M
e
d
i
u
m
16
1
0
0
0
2
8
2
0
0
1
S
t
a
n
d
a
r
d
me
d
i
u
m
-
t
i
e
r
L
a
r
g
e
12
1
5
0
0
3
16
5
0
0
1
H
i
g
h
-
p
e
r
f
o
r
man
c
e
t
a
s
k
s
X
L
a
r
g
e
9
2
0
0
0
4
32
1
0
0
0
1
H
P
C
/
h
i
g
h
-
d
e
ma
n
d
t
a
s
k
s
T
o
t
a
l
50
-
-
-
-
-
-
T
ab
le
3
.
Sch
ed
u
lin
g
an
d
e
v
alu
atio
n
s
etti
n
g
s
S
e
t
t
i
n
g
V
a
l
u
e
N
o
t
e
s
B
a
se
l
i
n
e
sc
h
e
d
u
l
e
r
s
F
C
F
S
,
R
R
,
M
i
n
-
M
i
n
,
M
a
x
-
M
i
n
C
l
a
ssi
c
a
l
sc
h
e
d
u
l
i
n
g
a
l
g
o
r
i
t
h
ms
P
r
o
p
o
se
d
sch
e
d
u
l
e
r
B
W
O
A
H
y
b
r
i
d
W
h
a
l
e
-
B
a
t
w
i
t
h
L
é
v
y
f
l
i
g
h
t
,
a
d
a
p
t
i
v
e
c
r
o
sso
v
e
r
,
a
n
d
r
e
p
a
i
r
P
o
p
u
l
a
t
i
o
n
/
i
t
e
r
a
t
i
o
n
s
P
O
P
=
1
6
,
I
T
ER
S
=
1
4
U
se
d
f
o
r
B
W
O
A
e
x
p
e
r
i
me
n
t
s
C
r
o
sso
v
e
r
sch
e
d
u
l
e
0
.
2
5
→
0
.
8
5
A
d
a
p
t
i
v
e
o
v
e
r
i
t
e
r
a
t
i
o
n
s
L
é
v
y
u
sag
e
0
.
0
3
→
0
.
1
8
I
n
c
r
e
a
se
s
w
i
t
h
i
t
e
r
a
t
i
o
n
f
o
r
e
x
p
l
o
r
a
t
i
o
n
R
e
p
a
i
r
f
r
a
c
t
i
o
n
T
o
p
1
0
–
1
2
%
t
a
s
k
s
H
e
a
v
i
e
st
t
a
s
k
s re
a
ssi
g
n
e
d
t
o
f
a
st
e
st
V
M
s,
l
i
mi
t
e
d
sw
a
p
s
M
e
t
r
i
c
s
M
a
k
e
sp
a
n
,
u
t
i
l
i
z
a
t
i
o
n
,
t
h
r
o
u
g
h
p
u
t
,
w
a
i
t
i
n
g
,
r
e
sp
o
n
se
,
e
n
e
r
g
y
M
u
l
t
i
-
o
b
j
e
c
t
i
v
e
e
v
a
l
u
a
t
i
o
n
T
ab
le
4
.
VM
in
s
tan
ce
s
p
r
ici
n
g
V
M
t
y
p
e
M
I
P
S
/
V
M
P
r
i
c
e
(
$
/
h
o
u
r
)
S
mal
l
5
0
0
0
.
0
4
M
e
d
i
u
m
1
0
0
0
0
.
0
8
L
a
r
g
e
1
5
0
0
0
.
1
6
X
L
a
r
g
e
2
0
0
0
0
.
3
2
T
ab
le
5
.
T
ask
p
r
o
p
er
ties
F
e
a
t
u
r
e
C
o
u
n
t
M
e
a
n
S
t
d
M
i
n
2
5
%
5
0
%
7
5
%
M
a
x
T
a
sk
w
a
i
t
i
n
g
t
i
me
(
ms)
5
0
0
0
5
0
7
.
6
3
2
8
7
.
4
1
10
2
6
3
5
0
6
7
5
7
9
9
9
T
a
sk
e
x
e
c
u
t
i
o
n
t
i
me
(
ms)
5
0
0
0
2
5
0
9
.
3
4
1
4
1
5
.
0
6
1
0
2
1
2
8
6
.
7
5
2
4
8
4
.
5
0
3
7
3
1
4
9
9
9
C
P
U
u
t
i
l
i
z
a
t
i
o
n
(
%)
5
0
0
0
4
9
.
7
5
2
3
.
1
7
10
2
9
.
5
1
50
6
9
.
8
5
8
9
.
9
8
N
e
t
w
o
r
k
b
a
n
d
w
i
d
t
h
u
t
i
l
i
z
a
t
i
o
n
(
M
b
p
s
)
5
0
0
0
4
9
9
.
5
2
2
8
3
.
9
7
1
0
.
0
7
2
5
2
.
4
9
5
0
1
.
6
0
7
4
4
.
0
3
9
9
9
.
7
3
4.
RE
SU
L
T
S AN
D
D
I
SCU
SS
I
O
N
W
e
ev
alu
ated
FC
F
S
,
R
R
,
Mi
n
–
Min
,
Ma
x
–
Mi
n
,
a
n
d
th
e
p
r
o
p
o
s
ed
B
W
OA
o
v
er
VM
p
o
o
ls
o
f
4
0
,
8
0
,
an
d
1
2
0
u
n
it
s
,
u
s
i
n
g
a
Mi
n
–
Ma
x
p
r
ep
r
o
ce
s
s
ed
w
o
r
k
lo
ad
.
Me
tr
ics
r
ep
o
r
ted
in
clu
d
e
m
a
k
esp
an
,
u
ti
lizatio
n
,
th
r
o
u
g
h
p
u
t,
av
er
ag
e
w
aiti
n
g
/r
esp
o
n
s
e
ti
m
e
s
,
en
er
g
y
co
n
s
u
m
p
tio
n
,
an
d
ex
ec
u
tio
n
co
s
t.
T
h
e
r
esu
lts
h
i
g
h
l
ig
h
t
B
W
OA
’
s
ab
ilit
y
to
r
ed
u
ce
s
ch
ed
u
le
len
g
t
h
w
h
i
le
m
ai
n
tai
n
i
n
g
ef
f
icie
n
t
r
eso
u
r
ce
u
s
a
g
e.
4
.
1
.
Resul
t
s
f
o
r
4
0
V
M
s
T
ab
le
6
s
h
o
w
s
th
at
B
W
O
A
o
u
tp
er
f
o
r
m
s
th
e
o
th
er
s
c
h
ed
u
ler
s
in
m
o
s
t
m
etr
ic
s
.
I
t
ac
h
iev
e
s
th
e
s
h
o
r
te
s
t
m
ak
e
s
p
an
(
3
3
.
2
6
1
s
)
an
d
th
e
h
ig
h
est
t
h
r
o
u
g
h
p
u
t
(
9
.
0
2
task
s
/s
)
,
d
esp
ite
h
av
i
n
g
r
elati
v
el
y
lo
w
r
eso
u
r
ce
u
tili
za
t
io
n
(
3
1
.
1
5
%).
T
h
is
in
d
icate
s
th
at
B
W
O
A
d
is
tr
ib
u
te
s
w
o
r
k
lo
ad
s
m
o
r
e
ev
e
n
l
y
ac
r
o
s
s
VM
s
.
I
n
ter
m
s
o
f
r
esp
o
n
s
iv
e
n
e
s
s
,
B
W
OA
an
d
Min
-
Mi
n
r
ec
o
r
d
th
e
lo
w
est
r
esp
o
n
s
e
ti
m
e
s
(
1
.
6
1
s
an
d
1
.
6
2
s
)
,
m
a
k
i
n
g
th
e
m
s
u
itab
le
f
o
r
in
ter
ac
tiv
e
ta
s
k
s
.
A
d
d
itio
n
al
l
y
,
B
W
OA
co
n
s
u
m
es
th
e
least
e
n
er
g
y
(
0
.
0
4
8
5
k
W
h
)
,
w
h
ich
i
s
2
.
4
4
%
lo
w
er
th
a
n
Mi
n
-
Mi
n
,
alth
o
u
g
h
its
co
s
t is s
lig
h
tl
y
h
ig
h
er
d
u
e
t
o
th
e
u
s
e
o
f
m
o
r
e
ef
f
icie
n
t V
M
in
s
ta
n
ce
s
.
T
ab
le
6
.
P
er
f
o
r
m
a
n
ce
m
etr
ic
s
f
o
r
4
0
VM
s
S
c
h
e
d
u
l
e
r
M
a
k
e
sp
a
n
(
s)
U
t
i
l
i
z
a
t
i
o
n
(
%)
T
h
r
o
u
g
h
p
u
t
(
t
a
sk
s
/
s)
A
v
g
W
a
i
t
i
n
g
(
s)
A
v
g
R
e
sp
o
n
se
(
s)
En
e
r
g
y
(
k
W
h
)
C
o
st
(USD)
F
C
F
S
3
8
.
5
1
9
4
5
.
4
4
7
.
7
9
0
.
1
0
2
.
4
3
0
.
0
6
2
2
0
.
0
2
1
3
RR
5
9
.
8
8
7
3
4
.
2
8
5
.
0
1
1
.
1
3
3
.
8
7
0
.
0
8
9
4
0
.
0
1
9
9
M
i
n
–
M
i
n
3
3
.
6
6
0
3
2
.
7
8
8
.
9
1
0
.
1
5
1
.
6
2
0
.
0
4
9
7
0
.
0
2
6
3
M
a
x
–
M
i
n
4
0
.
4
7
5
4
0
.
0
5
7
.
4
1
0
.
7
7
2
.
9
3
0
.
0
6
3
0
0
.
0
2
2
3
B
W
O
A
3
3
.
2
6
1
3
1
.
1
5
9
.
0
2
0
.
2
3
1
.
6
1
0
.
0
4
8
5
0
.
0
2
8
2
Fig
u
r
e
1
s
h
o
w
s
t
h
at
B
W
O
A
h
as
th
e
s
ec
o
n
d
-
lo
w
est
C
P
U
u
tili
za
tio
n
(
3
1
.
1
5
%)
b
u
t
ac
h
iev
e
s
t
h
e
h
ig
h
e
s
t
th
r
o
u
g
h
p
u
t.
T
h
is
co
n
f
i
r
m
s
th
a
t
h
i
g
h
u
tili
za
tio
n
d
o
es
n
o
t
al
w
a
y
s
g
u
ar
a
n
tee
b
etter
p
e
r
f
o
r
m
an
ce
,
as
s
ee
n
Evaluation Warning : The document was created with Spire.PDF for Python.
I
SS
N
:
2
5
0
2
-
4
7
52
I
n
d
o
n
esia
n
J
E
lec
E
n
g
&
C
o
m
p
Sci
,
Vo
l.
42
,
No
.
3
,
J
u
n
e
20
26
:
9
1
3
-
926
920
in
FC
FS
(
4
5
.
4
4
%)
w
h
ic
h
o
n
l
y
p
r
o
d
u
ce
s
7
.
7
9
task
s
/
s
.
B
W
OA
s
u
cc
e
s
s
f
u
ll
y
a
v
o
id
s
r
eso
u
r
ce
w
a
s
te
th
r
o
u
g
h
s
m
ar
ter
tas
k
s
c
h
ed
u
l
in
g
.
Fig
u
r
e
1
.
R
eso
u
r
ce
u
tili
za
tio
n
f
o
r
4
0
VM
s
B
W
OA
m
ai
n
tai
n
s
h
ig
h
er
th
r
o
u
g
h
p
u
t
w
h
ile
s
li
g
h
tl
y
r
ed
u
c
in
g
C
P
U
u
tili
za
t
io
n
,
b
alan
ci
n
g
th
e
lo
ad
ac
r
o
s
s
VM
s
.
A
s
s
h
o
w
n
i
n
T
a
b
le
6
,
B
W
OA
ac
h
iev
es
t
h
e
h
i
g
h
e
s
t
th
r
o
u
g
h
p
u
t
(
9
.
0
2
task
s
/s
)
w
h
ile
m
ain
tain
in
g
s
lig
h
tl
y
lo
w
er
r
eso
u
r
ce
u
t
iliz
atio
n
(
3
1
.
1
5
%),
in
d
icatin
g
m
o
r
e
b
alan
ce
d
w
o
r
k
lo
ad
d
is
tr
i
b
u
tio
n
ac
r
o
s
s
v
ir
t
u
al
m
ac
h
in
e
s
.
Fig
u
r
e
2
co
n
f
ir
m
s
B
W
OA'
s
ad
v
an
tag
e
i
n
en
er
g
y
ef
f
icie
n
c
y
,
w
it
h
th
e
lo
w
est
c
o
n
s
u
m
p
tio
n
(
0
.
0
4
8
5
k
W
h
)
a
m
o
n
g
all
s
c
h
ed
u
ler
s
.
R
R
i
s
t
h
e
m
o
s
t
e
n
er
g
y
-
in
e
f
f
ic
ien
t
(
0
.
0
8
9
4
k
W
h
)
d
u
e
to
its
l
o
n
g
m
a
k
esp
an
.
T
h
is
en
er
g
y
s
a
v
i
n
g
m
ak
e
s
B
W
OA
a
m
o
r
e
e
n
v
ir
o
n
m
e
n
tal
l
y
f
r
ien
d
l
y
a
n
d
co
s
t
-
e
f
f
ec
t
iv
e
c
h
o
ice
f
o
r
lar
g
e
-
s
ca
l
e
d
ep
lo
y
m
en
t
s
.
Fig
u
r
e
2
.
E
n
er
g
y
C
o
n
s
u
m
p
tio
n
f
o
r
4
0
VM
s
B
W
OA
r
ed
u
ce
s
en
er
g
y
u
s
a
g
e
b
y
2
.
4
4
%
co
m
p
ar
ed
to
Min
–
Min
d
u
e
to
s
m
ar
t
tas
k
r
ea
s
s
i
g
n
m
e
n
t.
Fig
u
r
e
3
p
r
esen
t
s
t
h
e
e
x
ec
u
tio
n
co
s
t
co
m
p
ar
is
o
n
a
m
o
n
g
th
e
f
i
v
e
s
c
h
ed
u
ler
s
.
Mi
n
-
M
in
in
c
u
r
s
t
h
e
h
i
g
h
e
s
t
co
s
t
(
0
.
0
2
6
3
USD)
,
w
h
ile
R
R
r
ec
o
r
d
s
th
e
lo
w
est
(
0
.
0
1
9
9
USD)
.
B
W
OA
r
an
k
s
s
ec
o
n
d
-
h
i
g
h
est
i
n
co
s
t
(
0
.
0
2
8
2
USD)
,
w
h
ic
h
is
s
li
g
h
tl
y
ab
o
v
e
Min
-
Mi
n
.
T
h
is
is
b
ec
a
u
s
e
B
W
O
A
p
r
io
r
itizes
p
er
f
o
r
m
an
ce
a
n
d
en
er
g
y
ef
f
icien
c
y
b
y
u
t
ilizi
n
g
m
o
r
e
c
ap
ab
le
VM
in
s
ta
n
ce
s
,
w
h
ic
h
co
m
e
at
a
h
ig
h
er
p
r
ice.
Ho
w
e
v
er
,
co
n
s
id
er
in
g
i
ts
s
u
p
er
io
r
m
a
k
esp
a
n
,
t
h
r
o
u
g
h
p
u
t,
a
n
d
en
er
g
y
s
a
v
i
n
g
s
,
t
h
e
m
ar
g
in
al
co
s
t
i
n
cr
ea
s
e
is
j
u
s
ti
f
i
ab
le.
T
h
e
tr
ad
e
-
o
f
f
b
et
w
ee
n
co
s
t
an
d
p
er
f
o
r
m
an
c
e
s
u
g
g
e
s
ts
t
h
at
B
W
OA
o
f
f
er
s
th
e
b
est
o
v
er
all
v
al
u
e,
esp
ec
iall
y
w
h
en
e
n
er
g
y
ef
f
icien
c
y
a
n
d
ex
ec
u
tio
n
ti
m
e
ar
e
cr
itical
f
ac
to
r
s
in
clo
u
d
e
n
v
ir
o
n
m
en
ts
.
Evaluation Warning : The document was created with Spire.PDF for Python.
I
n
d
o
n
esia
n
J
E
lec
E
n
g
&
C
o
m
p
Sci
I
SS
N:
2
5
0
2
-
4
7
52
Mu
lti
-
o
b
jective
ta
s
k
s
ch
ed
u
lin
g
in
la
r
g
e
-
s
ca
le
d
is
tr
ib
u
ted
s
y
s
tems u
s
in
g
… (
A
li
Mo
h
a
mme
d
A
h
med
)
921
Fig
u
r
e
3
.
E
x
ec
u
tio
n
c
o
s
t f
o
r
4
0
VM
s
C
o
s
t c
o
r
r
elate
s
w
it
h
VM
b
u
s
y
ti
m
e;
B
W
O
A
ac
h
ie
v
es c
o
m
p
e
t
itiv
e
co
s
t d
esp
ite
h
ig
h
er
t
h
r
o
u
g
h
p
u
t.
An
al
y
s
i
s
:
-
Ma
k
esp
a
n
i
m
p
r
o
v
e
m
e
n
t:
B
W
OA
r
ed
u
ce
s
m
a
k
esp
a
n
b
y
1
.
3
7
% o
v
er
Min
–
Mi
n
.
-
T
h
r
o
u
g
h
p
u
t in
cr
ea
s
ed
b
y
1
.
2
%,
w
h
ile
e
n
er
g
y
d
ec
r
ea
s
ed
m
a
r
g
in
al
l
y
.
-
T
h
ese
r
esu
lts
al
ig
n
w
it
h
r
ec
en
t
s
tu
d
ies o
n
h
y
b
r
id
m
etah
e
u
r
is
t
ics
[
1
2
]
-
[
1
4
]
,
[
1
6
]
,
[
1
8
]
,
c
o
n
f
ir
m
i
n
g
t
h
e
b
en
ef
it o
f
L
é
v
y
f
l
ig
h
t a
n
d
lo
ca
l r
ep
air
m
ec
h
an
i
s
m
s
.
4
.
2
.
Resul
t
s
f
o
r
8
0
V
M
s
T
ab
le
7
s
h
o
w
s
t
h
at
B
W
O
A
ac
h
iev
e
s
t
h
e
b
est
m
a
k
esp
a
n
(
3
2
.
7
6
6
s
)
an
d
h
ig
h
e
s
t
t
h
r
o
u
g
h
p
u
t
(
9
.
1
6
task
s
/s
)
w
it
h
th
e
lo
w
est
C
P
U
u
tili
za
t
io
n
(
1
3
.
9
9
%).
I
t
also
c
o
n
s
u
m
e
s
th
e
least
e
n
er
g
y
(
0
.
0
8
3
0
k
W
h
)
,
s
lig
h
tl
y
b
etter
th
an
Mi
n
-
Mi
n
(
0
.
0
8
5
1
k
W
h
)
.
Ho
w
ev
er
,
B
W
OA
h
as
th
e
h
ig
h
est
co
s
t
(
0
.
0
3
2
4
USD)
d
u
e
to
u
s
i
n
g
m
o
r
e
ca
p
ab
le
VM
in
s
tan
ce
s
.
T
ab
le
7
.
P
er
f
o
r
m
a
n
ce
m
etr
ic
s
f
o
r
8
0
VM
s
S
c
h
e
d
u
l
e
r
M
a
k
e
sp
a
n
(
s)
U
t
i
l
i
z
a
t
i
o
n
(
%)
T
h
r
o
u
g
h
p
u
t
(
t
a
sk
s
/
s)
A
v
g
w
a
i
t
i
n
g
(
s)
A
v
g
r
e
sp
o
n
se
(
s)
En
e
r
g
y
(
k
W
h
)
C
o
st
(
U
S
D
)
F
C
F
S
4
0
.
3
9
6
2
4
.
4
6
7
.
4
3
0
.
1
0
2
.
7
3
0
.
1
1
1
7
0
.
0
2
0
2
RR
3
5
.
2
3
5
2
9
.
5
5
8
.
5
1
0
.
1
6
2
.
9
4
0
.
1
0
1
4
0
.
0
1
9
7
M
i
n
–
M
i
n
3
3
.
5
5
6
1
4
.
1
0
8
.
9
4
0
.
1
3
1
.
4
0
0
.
0
8
5
1
0
.
0
3
1
3
M
a
x
–
M
i
n
3
4
.
6
0
3
2
6
.
4
0
8
.
6
7
0
.
4
0
2
.
8
4
0
.
0
9
7
2
0
.
0
2
1
0
B
W
O
A
3
2
.
7
6
6
1
3
.
9
9
9
.
1
6
0
.
1
2
1
.
3
4
0
.
0
8
3
0
0
.
0
3
2
4
Fig
u
r
e
4
s
h
o
w
s
th
at
B
W
OA
a
n
d
Min
-
Min
h
av
e
t
h
e
lo
w
es
t
u
tili
za
t
io
n
(
1
3
.
9
9
%
an
d
1
4
.
1
0
%)
b
u
t
p
r
o
d
u
ce
th
e
h
ig
h
e
s
t
t
h
r
o
u
g
h
p
u
t.
T
h
is
co
n
f
ir
m
s
t
h
at
B
W
O
A
d
i
s
tr
ib
u
te
s
tas
k
s
m
o
r
e
e
f
f
icie
n
tl
y
ac
r
o
s
s
VM
s
,
a
v
o
id
in
g
b
o
ttlen
ec
k
s
d
esp
ite
u
s
in
g
f
e
wer
r
eso
u
r
ce
s
.
B
W
OA
m
ai
n
tai
n
s
h
i
g
h
th
r
o
u
g
h
p
u
t
w
ith
lo
wer
C
P
U
u
tili
za
tio
n
,
i
m
p
r
o
v
i
n
g
ta
s
k
d
is
tr
ib
u
tio
n
.
Fig
u
r
e
4
.
R
eso
u
r
ce
u
til
izatio
n
f
o
r
8
0
VM
s
Evaluation Warning : The document was created with Spire.PDF for Python.
I
SS
N
:
2
5
0
2
-
4
7
52
I
n
d
o
n
esia
n
J
E
lec
E
n
g
&
C
o
m
p
Sci
,
Vo
l.
42
,
No
.
3
,
J
u
n
e
20
26
:
9
1
3
-
926
922
Fig
u
r
e
5
s
h
o
w
s
th
at
B
W
OA
c
o
n
s
u
m
e
s
t
h
e
lo
w
es
t e
n
er
g
y
(
0
.
0
8
3
0
k
W
h
)
a
m
o
n
g
all
s
c
h
ed
u
l
er
s
,
s
av
in
g
ap
p
r
o
x
im
a
tel
y
2
.
4
4
%
co
m
p
ar
ed
to
Min
-
Min
(
0
.
0
8
5
1
k
W
h
)
.
R
R
an
d
FC
FS
r
ec
o
r
d
th
e
h
ig
h
e
s
t
en
er
g
y
u
s
a
g
e
d
u
e
to
th
eir
lo
n
g
er
m
a
k
esp
an
an
d
in
e
f
f
icien
t ta
s
k
allo
ca
tio
n
.
Fig
u
r
e
5
.
E
n
er
g
y
co
n
s
u
m
p
t
io
n
f
o
r
8
0
VM
s
Fig
u
r
e
6
in
d
icate
s
t
h
at
B
W
OA
i
n
c
u
r
s
th
e
h
i
g
h
e
s
t
co
s
t
(
0
.
0
3
2
4
USD)
,
w
h
ile
R
R
is
t
h
e
ch
ea
p
es
t
(
0
.
0
1
9
7
USD)
.
Desp
ite
th
e
s
lig
h
t
co
s
t
in
cr
ea
s
e,
B
W
OA
r
em
ai
n
s
ef
f
icie
n
t
as
it
d
eliv
er
s
th
e
b
est
th
r
o
u
g
h
p
u
t
an
d
m
a
k
esp
an
,
j
u
s
t
if
y
i
n
g
th
e
t
r
ad
e
-
o
f
f
.
B
W
O
A
s
a
v
es ~2
.
4
4
% e
n
er
g
y
co
m
p
ar
ed
to
Min
–
Min
.
Fig
u
r
e
6
.
E
x
ec
u
tio
n
c
o
s
t f
o
r
8
0
VM
s
E
x
ec
u
t
io
n
co
s
t sl
ig
h
tl
y
i
n
cr
ea
s
es d
u
e
to
h
i
g
h
er
t
h
r
o
u
g
h
p
u
t
b
u
t r
e
m
ain
s
ef
f
icie
n
t.
An
al
y
s
i
s
:
-
Ma
k
esp
a
n
i
m
p
r
o
v
e
m
e
n
t:
2
.
3
5
% r
ed
u
ctio
n
v
s
Mi
n
–
Min
.
-
T
h
r
o
u
g
h
p
u
t i
m
p
r
o
v
ed
b
y
2
.
4
%,
en
er
g
y
d
ec
r
ea
s
ed
p
r
o
p
o
r
tio
n
all
y
.
-
T
h
ese
r
esu
lts
ar
e
co
n
s
is
te
n
t
w
i
th
co
n
te
m
p
o
r
ar
y
w
o
r
k
s
o
n
e
n
e
r
g
y
-
a
w
ar
e
h
y
b
r
id
s
ch
ed
u
lin
g
[
1
5
]
,
[
1
7
]
,
[
1
9
]
,
[
2
0
].
4
.
3
.
Resul
t
s
f
o
r
1
2
0
V
M
s
(
s
y
n
t
het
ic)
T
ab
le
8
s
h
o
w
s
th
a
t
B
W
OA
,
Min
-
M
in
,
an
d
Ma
x
-
Mi
n
ac
h
iev
e
id
e
n
tical
m
a
k
e
s
p
an
(
3
3
.
0
2
0
s
)
,
th
r
o
u
g
h
p
u
t
(
9
.
0
9
task
s
/
s
)
,
en
er
g
y
(
0
.
1
2
1
2
k
W
h
)
,
an
d
co
s
t
(
0
.
0
3
5
7
USD)
f
o
r
1
2
0
VM
s
.
B
W
OA
m
atc
h
es
th
e
Evaluation Warning : The document was created with Spire.PDF for Python.