Predstavili smo vzporedni algoritem za reševanje problema najmanjši k-center. Za doseganje uravnoteženja bremena pri računanju na več-procesorskem sistemu predstavimo in ocenimo kvaliteto rešitev, ki jih dobimo pri uporabi novega algoritma za razvrščanje bremena. Nov algoritem generira množico vseh k kombinacij izmed n stvari brez ponavljanja. S simulacijo pokažemo tudi, da je moč razviti algoritem uporabiti na rahlo sklopljenih sistemih (GRID), kjer za simulacijo skrbi adaptiven razvrščevalnik bremena z uporabo metod strojnega učenja.
COBISS.SI-ID: 6954836
Predstavili smo poskus izboljšanja razvrščanja opravil v heterogenem okolju GRID z uporabo metod strojnega učenja. Naš cilj je izdelava vtičnika za obstoječe sisteme GRID, s katerim se izognemo dragim in zamudnim modifikacijami teh sistemov. Predpostavljamo, da osnovni algoritem v sistemih ne bomo zavrgli temveč zgolj popravljamo njegove odločitve, če obstaja možnost, da je naš izbor vozlišča boljši. Osredotočamo se na uporabo obstoječih metod strojnega učenja, ki so uporabljeni po načelu črne škatle. Rezultati kažejo, da se s tovrstnim pristopom da izboljšati obstoječe algoritme razvrščanja.
COBISS.SI-ID: 0000000
Članek se osredotoča na iskanje povezave med opravili in zmogljivostmi v sistemu z uporabo metod strojnega učenja. Predstavili smo dva eksperimenta, ki sta konstruirana s ciljem doseči zasičenje sistema. V prvem metode strojnega učenja popravljajo odločitve osnovnega algoritma vsebovanega v sistemu, v drugem pa delujejo samostojno. Rezultati kažejo, da je moč s takšnim pristopom preseči rezultate določenih metod, ali pa se jim vsaj zelo približati.
COBISS.SI-ID: 0000000