Abstract

Rozprawa dotyczy optymalizacji zasobów chmury obliczeniowej, w której zastosowano inteligentne agenty w zdalnym nauczaniu. Zagadnienie jest istotne w edukacji, gdzie wykorzystuje się nowoczesne technologie, takie jak Internet Rzeczy, rozszerzoną i wirtualną rzeczywistość oraz deep learning w środowisku chmury obliczeniowej. Zagadnienie jest istotne również w sytuacji, gdy pandemia wymusza stosowanie zdalnego nauczania na dużą skalę lub rosnące koszty efekty ograniczają naukę stacjonarną. W dysertacji opracowano model alokacji inteligentnych agentów pedagogicznych, modułów systemu zdalnego nauczania oraz solwerów do serwerów w chmurze. Sformułowano zagadnienie wyznaczania reprezentacji rozwiązań Pareto-optymalnych. Opracowano wielokryterialny algorytm ewolucji różnicowej, za pomocą którego minimalizuje się cztery kryteria takie, jak: obciążenie CPU newralgicznego hosta, obciążenie komunikacyjne krytycznego węzła, koszt serwerów oraz łączny pobór mocy elektrycznej. W celu eksperymentalnej weryfikacji poprawności modelu zaprojektowano demonstrator chmury edukacyjnej w oparciu o wybrane zasoby Politechniki Gdańskiej oraz Politechniki Warszawskiej. Przeprowadzono wielowariantowe symulacje migracji inteligentnych agentów w środowisku Moodle na platformie OpenStack. Eksperymenty numeryczne potwierdziły, że wykorzystanie wielokryterialnej metaheurystyki opartej na ewolucji różnicowej umożliwia wyznaczenie wyższej jakości rozwiązań niezdominowanych niż rozwiązania uzyskane za pomocą innych metaheurystyk, takich jak: algorytm ewolucyjny, programowanie genetyczne, algorytm wyszukiwania harmonii oraz algorytm roju cząstek.

Author (1)