عنوان رسالة الماجستير دراسة وتحليل عمل اليات البحث في قواعد البيانات الموزعة المخزنة في الحوسبة السحابية
Using The Firefly Algorithm With Genetic Algorithm Operators To Search For Data Stored In Distributed Databases
الملخص
مع تقدم شبكات الكمبيوتر وتزايد عدد مصادر البيانات وكمية البيانات بسرعة كبيرة في السنوات الأخيرة أدت اللامركزية في قواعد البيانات إلى تطوير قاعدة البيانات الموزعة على أجهزة متعددة حيث يكون توزيع قاعدة البيانات شفافًا للمستخدمين، يفرض توزيع البيانات هذا تحديًا على معالجة استفسارات المستخدم فإن الاستراتيجية ضرورية لإنتاج خطط استعلام مثالية في أنظمة قواعد البيانات الموزعة، في هذا البحث قمنا باستخدام خوارزمية ((FAGA وهي عبارة عن دمج لخوارزمية اليراعة المضيئة FA))مع عوامل الخوارزمية الجينية (GA) وهي الاختيار والطفرة والتقاطع في مرحلة وضع اليراع من معيار (FA)تم اختبار أداء النهج المقترح على قاعدة البيانات وتمت مقارنتها بخوارزمية مستعمرة النحل الاصطناعي( (ABCوالخوارزمية الجينية (GA) و خوارزمية اليراع المضيئة (FA) من حيث الكلفة مقابل عدد التكرارات والعلاقات والاستعلامات وتبين من خلال النتائج والمقارنة أنها قادرة على انشاء خطط الاستعلام الموزعة وبكلفة أقل نسبيًا لمعالجة استعلام موزع.
تمت محاكاة عملية البحث عن البيانات ضمن قواعد البيانات الموزعة باستخدام بيئة MATLAB.
References
[2] Li, J., Qiu, M., Niu, J. W., Chen, Y., & Ming, Z. (2010, November). Adaptive resource allocation for preemptable jobs in cloud systems. In 2010 10th International Conference on Intelligent Systems Design and Applications (pp. 31-36). IEEE.
[3] Taina, J., 2003, "Design and Analysis of a Distributed Database Architecture
for IN/GSM Data". PhD. Thesis, University of Helsinki, Finland
[4] Rababaah, H.,2005, "Distributed Databases Fundamentals and Research".
Department of Computer and Information Sciences, Indiana University South Bend.
[5] Introduction to Genetic Algorithm.http:// www.rennard .org/ alife/ english/ gavintrgb.html. [Accessed 25 june 2016].
[6]Umbarkar, A. J., & Sheth, P. D. (2015). Crossover operators in genetic algorithms: a review. ICTACT journal on soft computing, 6(1).
[7] Kumar, T. V., Singh, V., & Verma, A. K. (2010, February). Generating distributed query processing plans using genetic algorithm. In 2010 International Conference on Data Storage and Data Engineering (pp. 173-177). IEEE
[8] , A. K. (2011). Distributed query processing plans generation using genetic algorithm. International Journal of Computer Theory and Engineering, 3(1), 38.
[9]Wahid, A., Behera, S. C., & Mohapatra, D. (2015). Artificial Bee Colony and its Application: An Overview. International Journal of Advanced Research in Computer Engineering & Technology (IJARCET), 4(4), 1475-1480
[10] Kumar, T. V., Kumar, L., & Arun, B. (2015). Distributed query plan generation using BCO. International Journal of Swarm Intelligence, 1(4), 358-377.
[11]Yuce, B., Packianather, M. S., Mastrocinque, E., Pham, D. T., & Lambiase, A. (2013). Honey bees inspired optimization method: the bees algorithm. Insects, 4(4), 646-662.
[12] Pal, S. K., Rai, C. S., Singh, A. P.,2012, "Comparative Study of Firefly Algorithm and Particle Swarm Optimization for Noisy Non- Linear Optimization Problems", I.J.Intelligent Systems and Applications, Published Online in MECS (http://www.mecspress.org/), pp:50-57.
[13]Singh, N., Prakash, J., & Kumar, T. V. (2016). Distributed Query Plan Generation Using Firefly Algorithm. International Journal of Organizational and Collective Intelligence (IJOCI), 6(1), 29-50.
[14]Wahid, F., Ghazali, R., & Ismail, L. H. (2019). Improved firefly algorithm based on genetic algorithm operators for energy efficiency in smart buildings. Arabian Journal for Science and Engineering, 44(4), 4027-4047.
[15]Wahid, F., Alsaedi, A. K. Z., & Ghazali, R. (2019). Using improved firefly algorithm based on genetic algorithm crossover operator for solving optimization problems. Journal of Intelligent & Fuzzy Systems, 36(2), 1547-1562.
