Abstract:
Ce mémoire se concentre sur l'ordonnancement de tâches dans le contexte du Fog Computing,
une technologie intermédiaire entre l'Internet des Objets (IoT) et le Cloud Computing. L'objectif
principal est de minimiser à la fois le makespan et le temps de complétion de tâches, essentiel
pour optimiser les performances des applications déployées sur des réseaux distribués et
hétérogènes.
L'étude introduit l'algorithme ALO, inspiré du comportement des fourmis, comme une
métaheuristique efficace pour résoudre ce problème complexe. L'approche proposée, appelée
TS-ALO, est développée spécifiquement pour répondre aux défis spécifiques
d'ordonnancement dans le Fog Computing.
Pour évaluer l'efficacité de TS-ALO, des simulations détaillées ont été menées, incluant une
comparaison approfondie avec l'algorithme TS-PSO. Cette analyse comparative met en
évidence les avantages et les domaines d'amélioration potentiels de l'algorithme ALO dans ce
contexte particulier.
This paper focuses on task scheduling in the context of Fog Computing, an intermediary
technology between the Internet of Things (IoT) and Cloud Computing. The primary objective
is to minimize both makespan and task completion time, crucial for optimizing the performance
of applications deployed on distributed and heterogeneous networks.
The study introduces the Ant Lion Optimizer (ALO) algorithm, inspired by ant behavior, as an
effective metaheuristic for tackling this complex problem. The proposed approach, called task
Scheduling-ALO (TS-ALO), is specifically developed to address the specific scheduling
challenges in Fog Computing.
To evaluate the effectiveness of TS-ALO, detailed simulations were conducted, including a
comprehensive comparison with the task Scheduling Particle Swarm Optimization algorithm
(TS-PSO). This comparative analysis highlights the advantages and potential areas for
improvement of the ALO algorithm in this particular context
