Гібридний метод маршрутизації задач у хмарному середовищі з використанням нейромережевого прогнозування та генетичної оптимізації
DOI:
https://doi.org/10.25140/2411-5363-2025-2(40)-254-264Ключові слова:
хмарне тестування; нейронні мережі; генетичний алгоритм; TensorFlow; DEAPАнотація
У статті запропоновано гібридний метод маршрутизації задач для хмарного тестування, що поєднує нейромере-жеве прогнозування із застосуванням TensorFlow та генетичні алгоритми оптимізації з бібліотеки DEAP. Розроблено ма-ршрутизації задач, яка враховує інформаційне, енергетичне та теплове навантаження серверів. Проведено експеримента-льну оцінку продуктивності методу в порівнянні з класичними алгоритмами. Наведено графіки та таблиці з результатами моделювання у середовищах змодельованих сценаріїв навантаження та черг. Доведено ефективність гібридного підходу щодо зниження часу очікування, енергоспоживання та теплового навантаження.
Посилання
Радкевич, О. (2023). Адаптивне тестування в контексті використання електронних засобів навчання: суть, розроблення та оцінювання. Професійна педагогіка, 1(26), 58–73. https://doi.org/ 10.32835/2707-3092.2023.26.58-73.
Ляшик, В. А., & Шубін, І. Ю. (2023). Метод логічних мереж для моделювання систем адаптивного тестування знань. Сучасний стан наукових досліджень та технологій в промисловості, 4(26), 45–57. https://openarchive.nure.ua/server/api/core/bitstreams/687d336a-a34b-4665-baf5-020f3b5e987a/content.
Можаєв, О. О., & Горелов, О. Ю. (2020). Адаптивне тестування знань у дистанційному навчанні. В Протидія кіберзлочинності та торгівлі людьми: Збірник матеріалів міжнародної науково-практичної конференції (рр. 171–173). https://dspace.univd.edu.ua/items/dbcce392-6a40-4724-a748-2901045e5dde.
Лопурко, Г. Б. (2024). Трирівневий алгоритм адаптивного тестування учнів та студентів в Google Forms. Інноваційні технології навчання. https://vseosvita.ua/library/tryrivnevyi-alhorytm-adaptyvnoho-testuvannia-uchniv-ta-studentiv-v-google-forms-808056.html.
Сікора, Я. Б. (2022). Адаптивне тестування як засіб контролю результатів навчання. В XIX Міжнародна науково-практична конференція «Сучасні аспекти модернізації науки: стан, проблеми, тенденції розвитку» (Вільнюс, Литва). http://eprints.zu.edu.ua/34002.
Толок, Д. (2024). Адаптивне тестування як інструмент організації дистанційного навчання. Цифрові технології в освіті: Збірник наукових праць, 24, 142–150. https://dspace.hnpu.edu.ua/ items/ff01635b-3bed-428e-9732-5776d03eb930.
Скорін, Ю., Золотарьова, І., & Листопад, Ю. (2024). Управління масштабуванням хмарних додатків. Computer Systems and Information Technologies, (3), 58–66. https://doi.org/10.31891/csit-2024-3-8.
Hunko, I. (2025). Optimize mobile app testing using machine learning to improve user experi-ence. Asian Journal of Research in Computer Science, 18(5), 403–418. https://doi.org/10.9734/ajr-cos/2025/v18i5663.
Kniazhyk, T., & Muliarevych, O. (2023). Cloud computing with resource allocation based on ant colony optimization. Advances in Cyber-Physical Systems, 8(2), 104–110. https://doi.org/10.23939/ acps2023.02.104.
Abadi, M., Agarwal, A., Barham, P., Brevdo, E., Chen, Z., Citro, C., Corrado, G. S., Davis, A., Dean, J., Devin, M., Ghemawat, S., Goodfellow, I., Harp, A., Irving, G., Isard, M., Jia, Y., Jozefowicz, R., Kaiser, L., Kudlur, M., … Zheng, X. (2016). TensorFlow: Large-scale machine learning on hetero-geneous distributed systems (arXiv:1603.04467). arXiv. https://doi.org/10.48550/arXiv.1603.04467
Fortin, F. A., Rainville, F. M., Gardner, M. A., Parizeau, M., & Gagné, C. (2012). DEAP: Evolutionary algorithms made easy. Journal of Machine Learning Research, 13, 2171–2175. https://www.jmlr.org/papers/v13/fortin12a.html.
Chollet, F. (2018). Deep learning with Python (2nd ed.). Manning Publications. https://sour-estdeeds.github.io/pdf/Deep%20Learning%20with%20Python.pdf.
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Ця робота ліцензується відповідно до Creative Commons Attribution-NonCommercial 4.0 International License.
