Scheduling in multiprocessor computing systems is experiencing prolific challenges in datacenters due to the alarmingly growing need for dynamic on-demand resource provisioning. This problem has become a challenge for the cloud broker due to the involvement of the numerous conflicting performance metrics such as minimization of makespan, energy consumption and load balancing, and maximization of resource utilization. These challenges are to be alleviated by the practical assignments of tasks onto VMs in a way to disperse loads among VMs with high utilization of resources uniformly. In this research, authors propose a quantum-inspired binary chaotic salp swarm algorithm for scheduling the tasks in multiprocessor computing systems by considering the above conflicting objectives. The principles of quantum computing are amalgamated with the BCSSA with the aim to intensify the exploration capability. Besides, a load balancing approach is incorporated with the algorithm for uniformly dispersing the loads. This algorithm considers a multi-objective fitness function to evaluate the fitness of the particles in the problem space. The performance of the proposed algorithm is validated and analyzed through extensive experimental results using the synthetic as well as the benchmark datasets in both homogeneous and heterogeneous environments. It is evident that the proposed work shows considerable improvements over Bird Swarm Optimization, Modified Particle Swarm Optimization, JAYA, standard SSA, and GAYA (a hybrid approach) with the considered objectives.

由于对动态按需资源供应的需求日益惊人，因此多处理器计算系统中的调度在数据中心中正面临着巨大的挑战。由于涉及许多相互冲突的性能指标，例如最小化制造时间，能耗和负载平衡以及资源利用率最大化，因此，此问题已成为云代理的一个挑战。通过将任务实际分配到VM可以减轻这些挑战，从而以均匀的资源利用率在VM之间分散负载。在这项研究中，作者提出了一种受量子启发的二进制混沌Salp群算法，该算法通过考虑上述矛盾的目标来调度多处理器计算系统中的任务。BCSSA合并了量子计算原理，以增强探索能力。此外，负载均衡方法与算法结合在一起，可以均匀分散负载。该算法考虑了一个多目标适应度函数，以评估问题空间中粒子的适应度。通过在同质和异质环境中使用合成数据以及基准数据集，通过广泛的实验结果对所提出算法的性能进行了验证和分析。显然，在考虑了目标的情况下，所提出的工作相对于鸟群优化，改进的粒子群优化，JAYA，标准SSA和GAYA（混合方法）显示出了很大的改进。负载均衡方法与算法结合在一起，用于均匀分散负载。该算法考虑了一个多目标适应度函数，以评估问题空间中粒子的适应度。通过在同质和异质环境中使用合成数据以及基准数据集，通过广泛的实验结果对所提出算法的性能进行了验证和分析。显然，在考虑了目标的情况下，所提出的工作相对于鸟群优化，改进粒子群优化，JAYA，标准SSA和GAYA（混合方法）显示出了很大的改进。负载均衡方法与算法结合在一起，用于均匀分散负载。该算法考虑了一个多目标适应度函数，以评估问题空间中粒子的适应度。通过在同质和异质环境中使用合成数据以及基准数据集，通过广泛的实验结果对所提出算法的性能进行了验证和分析。显然，在考虑了目标的情况下，所提出的工作相对于鸟群优化，改进的粒子群优化，JAYA，标准SSA和GAYA（混合方法）显示出了很大的改进。通过在同质和异质环境中使用合成数据以及基准数据集，通过广泛的实验结果对所提出算法的性能进行了验证和分析。显然，在考虑了目标的情况下，所提出的工作相对于鸟群优化，改进的粒子群优化，JAYA，标准SSA和GAYA（混合方法）显示出了很大的改进。通过在同质和异质环境中使用合成数据以及基准数据集，通过广泛的实验结果对所提出算法的性能进行了验证和分析。显然，在考虑了目标的情况下，所提出的工作相对于鸟群优化，改进粒子群优化，JAYA，标准SSA和GAYA（混合方法）显示出了很大的改进。