مساله زمان بندی کارها یکی از چالش های مهم در یک گرید محاسباتی است. هدف مساله زمانبندی گرید، انتساب بهینه کارها به منابع است. با توجه به پویایی محیط گرید، ناهمگونی و خود مختار بودن گره های گرید و پیچیدگی کارهایکاربران ، کارایی محیط گرید به شدت به تکنیک های زمانبندی که دنبال می کند وابسته است. بنابراین ارایه یک تکنیک کارآمد، منطبق و کم هزینه برای زمانبندی کارها در محیط گرید بسیار مهم است .اکثر روش های زمان بندی متمرکز یانیمه متمرکز می باشند در نتیجه این روش ها با شرایط محیطی منطبق نمی باشند.در این اثر یک الگوریتم زمان بندی کار پویا مبتنی بر آتاماتای یادگیر برای حل مساله زمانبندی کار در گرید محاسباتی ارایه شده است. در روش پیشنهادی، با استفاده از الگوهای یادگیر ابتدا اطلاعاتی در مورد پارامترهای محیطی گرید همچون انواع کاربران، نرخ ترافیک کاربرانمختلف، توان محاسباتی گره های مختلف گرید و غیره توسط الگوریتم گردآوری می شود. سپس بر اساس اطلاعات بدست آمده سعی می شود تا فرایند تخصیص کار و زمانبندی کار متناسب با بار کاری کاربران مختلف باشد. کارایی الگوریتمپیشنهادی، با استفاده از نرم افزار متلب، تحت سه اندازه مختلف گرید، مورد آزمایش قرار گرفت. نتایج بدست آمده با دوروش مختلف زمان بندی کار مقایسه شده است. نتایج عددی برتری الگوریتم پیشنهادی را نسبت به دو روش موجود از نظر حداکثر زمان اجرای تمام کار های ارسالی، مجموع زمان تکمیل شدن تمام کارها و تعادل بار کاری قرار داده شده روی گره های گرید، تایید می کنند.

الگوریتم مناسب ژنتیک طبقه بندی شده (NSGA_III) یک الگوریتم بهینه چندگانه می باشد که با استفاده از چند جهت مرجع از پیشتعریف شده و در عین حال سازگار به حفظ تنوع در میان راه حل های آن است. خصوصا طراحی حل مسایل چندگانه ای که دارای چهاریا بیشتر تابع هدف است. محدودیتی وجود دارد که مانع از استفاده NSGA_III به مسایل بهینه سازی تک هدفه که در آن تنها یکجهت مرجع وجود دارد شده است که برای این منظور یک الگوریتم یکپارچه U_ NSGA_III به تازگی طراحی شده تا مطالعه اینمقاله را به عهده گیرد.U_ NSGA_III قابلیت تطبیق دهی خودکار به ابعاد شکل را دارد.به هر حال طراحان در این مقاله امکان چشم پوشی از محدودهNSGA_III و استفاده از ارزیابی عملکرد چند گانه برای حل مسایل چند گانه ، ضربه دری و تکی را داریم.در اینجا عملکرد ارزیابی روی یک سری مسایل چند گانه ،ضربه دری ، تکی ثابت و غیر ثابت به این منظورانجام می شوند که ضعفو عیب NSGA_III چند رشته ای در مقایسه با U_ NSGA_III بررسی شوند نقطه قوت NSGA_III در هر نوع مساله نیز شرحداده شده است این مطاله یک ارزیابی مقایسه ای در مورد روند کاری NSGA_III اصلی فراهم می کند.

هدف از این مقاله و ارزیابی یک الگوریتم بهینه سازی جدید است. الگوریتم جدید، الگوریتم ژنتیک پرندگان نام دارد . این الگوریتم نوعی ترکیبی از الگوریتم ژنتیک و الگوریتم بهینهسازی ذرات است این مقاله به نقاط قوت و ضعف دو الگوریتم می پردازد. سپس چگونگی ترکیب شدن ویژگی های هر دو را شرح داده و جزئیات الگوریتم را بیان می کند. هر سه الگوریتم با استفاده از هشت مسئله بهینه سازی استاندارد ادبیات موضوع با هم مقایسه می شوند. نشان داده می شود که الگوریتم ژنتیک پرندگان کارایی برتری در 75% حالات تست شده دارد در 25% بقیه حالات کارایی بیشتری نسبت به الگوریتم ژنتیک یا بهینه سازی ذرات داشته و در هیچ حالتی بدتر از دو الگوریتم دیگر نیست. بهبودهای ممکن در آینده نیز به طور خلاصه بررسی می شوند.

گرید محاسباتی دارای مقیاسی بزرگ، متشکل از مجموعه سیستم های مستقل ناهمگن است که از لحاظ جغرافیایی توزیع شده و با تاخیر زمانی کم و پهنای باند بالا به یکدیگر متصل شده اند. به اشتراک گذاری کارها، کاربرد اصلی گریدها است. مدیریت منابع گرید قابلیت هایی برای کشف و انتشار منابع فراهم و همچنین برنامه ریزی، ارسال و نظارت بر کارها را انجام می دهد. با این حال، مدیریت منابعی که از لحاظ جغرافیایی توزیع شده و تحت مالکیت سازمان های مختلف هستند، دارای هزینه ها و محدودیت های بسیاری است. با توجه به ماهیت مقاوم به درمان مشکل زمانبندی و اهمیت آن در محاسبات گرید، نیاز به کشف راه حل های دیگری برای توسعه الگوریتم های اکتشافی جهت استفاده در این مشکل است. در این راستا الگوریتم ها و تکنیک هایی بسیاری ارائه شده است که در این مقاله به بررسی و مقایسه عملکرد تعدادی از آن ها پرداخته ایم.

هدف بررسی کارایی الگوریتم رقابت استعماری در پیش بینی ورشکستگی بوده، در این مطالعه با بررسی برخی از داده های مرتبط با ورشکستگی، صورت های مالی شرکت های موجود در بازار بورس ایران و با مشاهده تجربی و تجارب پژوهش های گذشته به انتخاب متغیرهای اصلی در پیش بینی ورشکستگی پرداخته شده، سپس به دلیل انطباق بیشتر مدل با واقعیت، با توجه به ارتباط داده های متغیرهای اصلی با دیگر داده های در دسترس، به انتخاب متغیرهای فرعی پرداخته شده است. 6 متغیر اصلی و 18 متغیر فرعی اولیه، برای شرکت های نمونه ورشکسته با سه معیار ورشکستگی و برای شکرتهای نمونه غیر وزشکسته با انتخابی تصادفی، استخراج گشته است. معیارهای تعیین ورشکستگی با توجه با نگاهی فرآیندی برگزیده شده اند، معیار اول ماده 141 قانون تجارت و معیار دوم، معیار نسبت بدهی به دارایی ها می باشد، معیار سوم که در آن نسبت جمع حقوق صاحبان سهام به ارزش اسمی سهام، معیار تشخیص ورشکستگی است برای پوشش انتقادهای وارده به این معیار لحاظ گردیده است، به این صورت که اگر این نسبت کمتر از یک باشد شرکت ورشکسته تلقی می گردد. بازه زمانی انتخاب نمونه سال 1389 بوده و بازه رمانی استخراج داده ها سال های 1387 تا 1389 بوده است. تجزیه و تحلیل آماری روی این متغیرها منجر به حذف بعضی از آنها در معیارهای مختلف گشته و مدلی با بهره گیری از الگوریتم رقابت استعماری، متغیرهای اصلی و متغیرهای فرعی برای هر یک از سه معیار، طراحی و ارائه شده است که به نقطه آغازین وابسته نیست از این رو دسته بندی اولیه متغیرهای اصلی و فرعی تاثیری رخروجی مدل ندارد. مدل با استفاده از اطلاعات شرکت های ورشکسته و شرکت های غیر ورشکسته ارزیای شده و نتایج نشان میدهد که ورشکستگی را می توان با دقت نسبتا بالایی با مدل حاصل پیش بینی نمود.