Nuevo algoritmo optimiza la programación de recursos en la nube
Investigadores han presentado un innovador algoritmo, denominado MOK-HWFSC (Multi-Objective-based K-means clustering Hybrid White-Faced Success Capuchin), diseñado para mejorar la eficiencia en la programación de recursos en entornos de computación en la nube de tipo Infrastructure as a Service (IaaS). El estudio, publicado en la revista Swarm and Evolutionary Computation por Elsevier BV en 2025, aborda los desafíos críticos de la asignación ineficiente de tareas, el aumento del tiempo de procesamiento (makespan), la utilización desequilibrada de recursos y los elevados costos operativos asociados a cargas de trabajo dinámicas y complejas.
El algoritmo MOK-HWFSC combina técnicas de agrupamiento K-means para la organización de tareas, el algoritmo NSGA-II para la optimización de múltiples objetivos, y una optimización híbrida basada en el algoritmo White-Faced Success Capuchin (HWFSC) para una programación adaptativa y heurística. El componente HWFSC integra la optimización del capuchino de cara blanca con la optimización basada en el éxito, mejorando la convergencia y la eficiencia de búsqueda, lo que permite una distribución equilibrada de la carga y una mayor precisión en la programación.
Para la evaluación del modelo, se utilizó la plataforma de simulación CloudSim, proporcionando un entorno controlado y repetible para las pruebas de rendimiento. Los resultados experimentales demuestran que MOK-HWFSC supera a los modelos de referencia, alcanzando una utilización de recursos del 78% con 300 tareas y del 85% con 600 tareas. Además, el modelo presenta una baja sobrecarga computacional, completando los procesos de programación de tareas en 20 ms para 300 tareas y 35 ms para 600 tareas, en comparación con los 45 ms y 55 ms observados en los métodos existentes.
En resumen, MOK-HWFSC optimiza la distribución de tareas, minimiza el tiempo de procesamiento, mejora la eficiencia energética y garantiza una implementación escalable y rentable en entornos IaaS dinámicos, mejorando significativamente la programación de recursos en la nube.
Cite este artículo de investigación: Absa. S, AS Radhamani, Y. Mary Reeja, Multi-objective optimization based efficient resource scheduling scheme for infrastructure as a service cloud computing, Swarm and Evolutionary Computation, Elsevier BV, 2025, https://doi.org/10.1016/j.swevo.2025.102168
Tipo de publicación: Artículo de revista
Editor: Elsevier BV
Fuente: Swarm and Evolutionary Computation
URL: https://doi.org/10.1016/j.swevo.2025.102168
Palabras clave: Infrastructure as a service, Multi-objective, Resource scheduling, White-faced success capuchin optimization, Cloud computing
Campus: Nagercoil
Escuela: School of Computing
Año: 2025
Resumen: Resource scheduling in Infrastructure as a Service (IaaS) cloud computing faces critical challenges such as inefficient task allocation, prolonged makespan, unbalanced resource utilization, and elevated operational costs due to dynamic workloads and complex multi-objective constraints. Traditional scheduling algorithms often struggle with scalability, real-time adaptability, and efficient provisioning. To overcome these issues, this research introduces a novel evolutionary Multi-Objective-based K-means clustering Hybrid White-Faced Success Capuchin (MOK-HWFSC) algorithm. This hybrid model combines K-means clustering for task grouping, Non-dominated Sorting Genetic Algorithm II (NSGA-II) for multi-objective trade-off optimization, and Hybrid White-Faced Success Capuchin optimization (HWFSC) for adaptive and heuristic-based task scheduling. The HWFSC component integrates white-faced capuchin optimization with success-based optimization to enhance convergence and search efficiency, thereby enabling balanced load distribution and improved scheduling accuracy. CloudSim serves as the simulation platform for evaluating the proposed model, providing a controlled and repeatable environment for performance testing. Experimental results demonstrate that MOK-HWFSC achieves superior performance, attaining resource utilization of 78 % at 300 tasks and 85 % at 600 tasks, outperforming benchmark models. Additionally, the model has significantly low computational overhead, with task scheduling processes completed in 20 ms for 300 tasks and 35 ms for 600 tasks, compared to 45 ms and 55 ms in existing methods. Overall, MOK-HWFSC enhances cloud resource scheduling by optimizing task distribution, minimizing makespan, improving energy efficiency, and ensuring scalable, cost-effective deployment in dynamic IaaS environments.
