1. Repository of OAI
  2. ΑΠΟΘΕΤΗΡΙΟ "ΟΛΥΜΠΙΑΣ"
  3. Σχολή Πληροφορικής και Τηλεπικοινωνιών
  4. Τμήμα Πληροφορικής και Τηλεπικοινωνιών
  5. Διατριβές Μεταπτυχιακής Έρευνας (Masters) - ΤΠΤ
Ελληνικά   English  
Please use this identifier to cite or link to this item: https://olympias.lib.uoi.gr/jspui/handle/123456789/40031
Full metadata record
DC FieldValueLanguage
dc.contributor.authorΚαψάλα, Ουρανίαel
dc.contributor.authorKapsala, Ouraniaen
dc.date.accessioned2026-05-11T09:51:44Z-
dc.date.available2026-05-11T09:51:44Z-
dc.identifier.urihttps://olympias.lib.uoi.gr/jspui/handle/123456789/40031-
dc.rightsAttribution-NonCommercial-NoDerivs 3.0 United States*
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/3.0/us/*
dc.subjectΥπολογιστική Ομίχληel
dc.subjectΧρονοπρογραμματισμός Ροών Εργασίαςel
dc.subjectΜετα-ευρετικοί Αλγόριθμοιel
dc.subjectΚατανομή Πόρωνel
dc.subjectEHHO-GWOel
dc.subjectFog Computingen
dc.subjectWorkflow Schedulingen
dc.subjectMeta-heuristic Algorithmsen
dc.subjectResource Allocationen
dc.subjectEHHO-GWOen
dc.titleΑποτελεσματικές στρατηγικές χρονοπρογραμματισμού ροών εργασίας σε περιβάλλον υπολογίστικής ομίχληςel
dc.titleEfficient scheduling strategies for workflows in fog architecturesen
dc.typemasterThesisen
heal.typemasterThesisel
heal.type.enMaster thesisen
heal.type.elΜεταπτυχιακή εργασίαel
heal.classificationΠληροφορική - Κατανεμημένα Συστήματα
heal.classificationInformatics - Distributed Systems
heal.dateAvailable2026-05-11T09:52:45Z-
heal.languageelel
heal.accessfreeel
heal.recordProviderΠανεπιστήμιο Ιωαννίνων. Σχολή Πληροφορικής και Τηλεπικοινωνιώνel
heal.recordProviderUniversity of Ioannina. Department of Informatics and telecommunicationsen
heal.publicationDate2026-05-
heal.abstractΗ ραγδαία ανάπτυξη του Διαδικτύου των Πραγμάτων (IoT) έχει αναδείξει την Υπολογιστική Ομίχλη (Fog Computing) ως μια κρίσιμη αρχιτεκτονική για την επεξεργασία δεδομένων κοντά στην πηγή παραγωγής τους. Ωστόσο, η βέλτιστη κατανομή πόρων και ο χρονοπρογραμματισμός ροών εργασίας (workflow scheduling) σε αυτό το ετερογενές, ιεραρχικό περιβάλλον αποτελεί ένα εξαιρετικά πολύπλοκο πρόβλημα (NP-Hard). Στην παρούσα διπλωματική εργασία προτείνεται ένα καινοτόμο υβριδικό μετα-ευρετικό μοντέλο, ο αλγόριθμος EHHO-GWO, ο οποίος συνδυάζει τις στρατηγικές εξερεύνησης του Harris Hawks Optimization (HHO) με την ιεραρχική δομή καθοδήγησης του Grey Wolf Optimizer (GWO). Για την προσαρμογή του σε διακριτά προβλήματα βελτιστοποίησης και τη διαχείριση μεγάλης κλίμακας ροών, ο αλγόριθμος ενσωματώνει προηγμένους μηχανισμούς όπως η Διακριτή Ανασύνθεση (Discrete Recombination), η Αντίθετη Μάθηση (OBL) και η χρήση υποκατάστατων μοντέλων (Surrogate Models) μέσω νευρωνικών δικτύων. Η πειραματική αξιολόγηση πραγματοποιήθηκε μέσω του προσομοιωτή FogWorkflowSim, όπου το προτεινόμενο μοντέλο συγκρίθηκε με έξι καθιερωμένους και σύγχρονους αλγορίθμους στοχαστικής αναζήτησης (GA, PSO, GWO, HHO, MPA, PFO). Διεξήχθησαν συνολικά 1.260 ανεξάρτητα πειράματα πάνω σε έξι επιστημονικά workflows (όπως το Montage και το Epigenomics) σε πολλαπλές κλίμακες μεγέθους. Η απόδοση αξιολογήθηκε βάσει τεσσάρων κρίσιμων μετρικών: του συνολικού χρόνου εκτέλεσης (Makespan), της κατανάλωσης ενέργειας (Energy), του οικονομικού κόστους (Cost) και της μέσης αξιοποίησης πόρων (Utilization). Τα πειραματικά αποτελέσματα, επικυρωμένα με στατιστική αυστηρότητα μέσω του μη παραμετρικού ελέγχου Wilcoxon Signed-Rank Test, αποδεικνύουν τη στατιστικά σημαντική υπεροχή του EHHO-GWO, προσφέροντας έναν εξαιρετικά αποδοτικό και σταθερό μηχανισμό διαχείρισης πόρων για εφαρμογές σε περιβάλλοντα Cloud-Fog-IoT.el
heal.abstractThe rapid growth of the Internet of Things (IoT) has highlighted Fog Computing as a critical architecture for processing data near its source of generation. However, optimal resource allocation and workflow scheduling within this heterogeneous and hierarchical environment remains a highly complex, NP-Hard problem. This thesis proposes a novel hybrid meta-heuristic model, the EHHO-GWO algorithm, which integrates the dynamic exploration strategies of Harris Hawks Optimization (HHO) with the hierarchical leadership structure of the Grey Wolf Optimizer (GWO). To adapt to discrete scheduling optimization and efficiently handle large-scale workflows, the algorithm incorporates advanced mechanisms such as Discrete Recombination, Opposition-Based Learning (OBL), and Surrogate Models via neural networks. The experimental evaluation was conducted using the FogWorkflowSim simulator, comparing the proposed model against six established and modern stochastic search algorithms (GA, PSO, GWO, HHO, MPA, PFO). A total of 1,260 independent experiments were executed across six prominent scientific workflows (such as Montage and Epigenomics) at various scale sizes. Performance was evaluated based on four critical metrics: Makespan, Energy consumption, financial Cost, and average Resource Utilization. The experimental results, rigorously validated through the non-parametric Wilcoxon Signed-Rank Test, demonstrate the statistically significant superiority of EHHO-GWO over its competitors. The proposed model offers a highly efficient, stable, and scalable resource management mechanism tailored for real-time applications in Cloud-Fog-IoT networks.en
heal.advisorNameΜαργαρίτη, Σπυριδούλαel
heal.committeeMemberNameΜαργαρίτη, Σπυριδούλαel
heal.committeeMemberNameΣτεργίου, Ελευθέριοςel
heal.committeeMemberNameΣτύλιος, Χρυσόστομος
heal.academicPublisherΠανεπιστήμιο Ιωαννίνων. Σχολή Πληροφορικής και Τηλεπικοινωνιών. Τμήμα Πληροφορικής και Τηλεπικοινωνιώνel
heal.academicPublisherIDuoiel
heal.numberOfPages198el
heal.fullTextAvailabilitytrue-
Appears in Collections:Διατριβές Μεταπτυχιακής Έρευνας (Masters) - ΤΠΤ

Show simple item record
Files in This Item:
File Description SizeFormat 
Μ.Ε. Καψάλα Ουρανία (2026).pdf12.15 MBAdobe PDFView/Open
Show simple item record  


This item is licensed under a Creative Commons License Creative Commons