Este projeto apresenta o desenvolvimento de um conjunto de algoritmos que objetivam o escalonamento de tarefas em grades móveis, com foco no problema de conectividade e tolerância às falhas. Algoritmos de aprendizado de máquina e algoritmos estocásticos são aplicados na organização de recursos da grade durante o processo de escalonamento de tarefas. Além disso, uma tolerância a falhas foi considerada em conjunto ao algoritmo proposto e o desempenho do algoritmo foi avaliado por meio de simulação. Os resultados mostram que a queda da quantidade de falhas é significativa com a utilização dos algoritmos desenvolvidos, principalmente quando há uma grande quantidade de tarefas e poucos recursos disponíveis. O aumento do tempo de execução é inevitável neste caso, porém é controlável pelas variáveis definidas nos algoritmos. / This project presents the development of a set of algorithms for task scheduling in a mobile grid, focusing on connectivity problem and fault tolerance. Machine learning algorithms and stochastic algorithms are applied to organize the grid resources during the process of task scheduling. In addition, a technique of fault tolerance is considered in conjunction with the proposed algorithm, and the performance of algorithm is evaluated by simulation. The results show a substancial decrease in the failure rate due to the use of developed algorithms, mainly for the case of large amount of tasks with limited resources. The increase in execution time is inevitable in this case, but it is controllable by variables defined in the algorithms.

Considerando-se o contexto de gerenciamento energético em grades móveis, neste trabalho foram propostos dois algoritmos de escalonamento (Maximum Regret e Greedy) que, além de minimizar o consumo de energia, visam assegurar o cumprimento dos requisitos de qualidade de serviço das aplicações submetidas pelos usuários. Tais algoritmos foram projetados a partir de soluções heurísticas para o problema de escalonamento ciente de consumo de energia em grades móveis, que foi modelado como um problema de otimização envolvendo variáveis binárias. Por meio de experimentos, que consideraram tanto cenários estáticos quanto dinâmicos, foi demonstrada a viabilidade dos algoritmos de escalonamento propostos em relação à redução do consumo de energia. Em seu pior caso, o algoritmo Maximum Regret foi 12,18% pior que o referencial determinado pela melhor solução do solver Gurobi; já no pior caso do algoritmo Greedy, tal diferença foi de apenas 8,14% / Considering the context of energy management in mobile grids, this work proposes two scheduling algorithms (Maximum Regret and Greedy) that aim not only to reduce the energy consumption of the mobile devices, but also to ensure the QoS (Quality of Service) requirements of the running applications. These algorithms were designed based on heuristics for the energy aware scheduling problem in mobile grids, which was modeled as an optimization problem with integer variables. The performances of the proposed scheduling algorithms were evaluated by an extensive set of experiments, which demonstrated the feasibility of the adopted approach regarding energy consumption minimization. In its worst case, the Maximum Regret algorithm was 12.18% worse than the best solution provided by the Gurobi solver. While in the Greedys worst case the performance difference was just 8.14%

Considerando-se o contexto de gerenciamento energético em grades móveis, neste trabalho foram propostos dois algoritmos de escalonamento (Maximum Regret e Greedy) que, além de minimizar o consumo de energia, visam assegurar o cumprimento dos requisitos de qualidade de serviço das aplicações submetidas pelos usuários. Tais algoritmos foram projetados a partir de soluções heurísticas para o problema de escalonamento ciente de consumo de energia em grades móveis, que foi modelado como um problema de otimização envolvendo variáveis binárias. Por meio de experimentos, que consideraram tanto cenários estáticos quanto dinâmicos, foi demonstrada a viabilidade dos algoritmos de escalonamento propostos em relação à redução do consumo de energia. Em seu pior caso, o algoritmo Maximum Regret foi 12,18% pior que o referencial determinado pela melhor solução do solver Gurobi; já no pior caso do algoritmo Greedy, tal diferença foi de apenas 8,14% / Considering the context of energy management in mobile grids, this work proposes two scheduling algorithms (Maximum Regret and Greedy) that aim not only to reduce the energy consumption of the mobile devices, but also to ensure the QoS (Quality of Service) requirements of the running applications. These algorithms were designed based on heuristics for the energy aware scheduling problem in mobile grids, which was modeled as an optimization problem with integer variables. The performances of the proposed scheduling algorithms were evaluated by an extensive set of experiments, which demonstrated the feasibility of the adopted approach regarding energy consumption minimization. In its worst case, the Maximum Regret algorithm was 12.18% worse than the best solution provided by the Gurobi solver. While in the Greedys worst case the performance difference was just 8.14%

Este projeto apresenta o desenvolvimento de um conjunto de algoritmos que objetivam o escalonamento de tarefas em grades móveis, com foco no problema de conectividade e tolerância às falhas. Algoritmos de aprendizado de máquina e algoritmos estocásticos são aplicados na organização de recursos da grade durante o processo de escalonamento de tarefas. Além disso, uma tolerância a falhas foi considerada em conjunto ao algoritmo proposto e o desempenho do algoritmo foi avaliado por meio de simulação. Os resultados mostram que a queda da quantidade de falhas é significativa com a utilização dos algoritmos desenvolvidos, principalmente quando há uma grande quantidade de tarefas e poucos recursos disponíveis. O aumento do tempo de execução é inevitável neste caso, porém é controlável pelas variáveis definidas nos algoritmos. / This project presents the development of a set of algorithms for task scheduling in a mobile grid, focusing on connectivity problem and fault tolerance. Machine learning algorithms and stochastic algorithms are applied to organize the grid resources during the process of task scheduling. In addition, a technique of fault tolerance is considered in conjunction with the proposed algorithm, and the performance of algorithm is evaluated by simulation. The results show a substancial decrease in the failure rate due to the use of developed algorithms, mainly for the case of large amount of tasks with limited resources. The increase in execution time is inevitable in this case, but it is controllable by variables defined in the algorithms.