• در ابتدا یک جمعیت با تعداد مشخصی از کروموزوم ها تولید می شود.

• یک تابع ارزیابی در این مرحله کروموزوم ها ارزش دهی می کند.

• • در این مرحله دوباره به تولید جمعیتی می پردازیم با این تفاوت که کروموزوم هایی که دارای ارزش بیشتری هستند انتخاب می شوند. همچنین از دو عمل کراس اور و ترکیب برای ایجاد واگرایی در جمعیت نیز استفاده می شود.

• تا زمانی که جواب مورد نظر بدست نیامده است دوباره از مرحله ۲الگوریتم تکرار می شود.

در زیر شبه کد مربوط به ژنتیک الگوریتم نشان داده شده است.
begin
Initialization: Generate the inpopulation P(t=0) of n individuals
Fitness: Evaluate the fitness of each individual of the population. Evaluate (P(t))
While (not termination condition) do
Selection: Select a subset of m pairs from P(t). Let P₁(t) = Select (P(t)).
Crossover: With probability p_c , cross each of the m chosen pairs.
Let P₂(t) = Cross (P₁(t)) be the set of offsprings.
Mutation: With probability p_m , nutate each offsprings in P₂(t).
Let P₃(t) = Mutate (P₂(t)).
Fitness: Evaluate the fitness of each offspring. Evaluate (P₃(t)).
Replacement: Create a new generation from individuals in P(t) and P₃(t).
Let P(t+1) = Replace(P(t),P₃(t)) ; t = t + 1.
fwhile
return Best found solution;
end
شکل ۲-۳- شبه کد الگوریتم ژنتیک
آخر فصل سوم یک جدول مقایسه ای شامل روش های مطرح شده ویژگیهای مزایای و معایب آنها درج می شود مثلاً کاربرد در پردازش شبکه ای کاربرد در سیستم Clint serverو هزینه پردازشی مثلاً پیچیدگی محاسباتی

فصل ۳:
پیشینه تحقیق
۳-۱- یک سیستم مبتنی بر عامل برای مدیریت منابع( ARMS)
یکی از مسایل مورد بحث در پردازش شبکه ای مدیریت منابع می باشد. مقیاس پذیری و قابلیت سازگاری در سیستم ها نیز از موارد مهم در طراحی سیستم ها می باشد. در این پژوهش یک سیستم مبتنی بر عامل برای مدیریت منابع در پردازش شبکه ای ارائه شده است. در این روش یک سلسله مراتبی از عامل ها برای ایجاد قابلیت سازگاری و مقیاس پذیری استفاده شده است[۱۰]. در این روش عامل ها قابلیت انتقال اطلاعات و تعامل با یکدیگر را دارا می باشند.

شکل۳-۱. ساختار یک سیستم مبتنی بر عامل برای مدیریت منابع( ARMS) [۱۰]
ساختار عامل ها در ARMSدر شکل ۳-۱ نشان داده شده است. هر لایه دارای ماژول های متفاوت و متعدد می باشد. در این شکل همچنین سه کار مهم توسط عامل ها انجام می شود :

• اگاهی دادن برای انجام دادن یک سرویس

• یافتن سرویس ها

• اجرای برنامه

لایه ارتباط در این معماری وظیفه برقراری ارتباط با عامل ها را بر عهده دارد. این لایه مانند یک واسط میانی بین عامل ها و محیط خارج عمل می کند. در این لایه عامل اطلاعات در مورد اعلان های سرویس و یافتن منابع نیز انجام می شود.
چهار عامل برای قرار دادن یک عامل در یک لایه وجود دارد :

• کنترل کننده ACT

• موتور ارزیابی PACE

• الگوریتم زمان بندی

• زوج یاب

در شکل ۳-۲ نحوه مدیریت منابع توسط عمل ها نشان داده شده است.

شکل۳-۲٫ ساختار درختی به منظور مدیریت منابع

۳-۲- روش پیوندی مورچگان به منظور زمان بندی کارهای مستقل در محیط های ناهمگن پردازشی
این روش از ترکیب الگوریتم اجتماع مورچگان و جستجوی های محلی و تابو تشکیل شده است[۱۱]. هر مورچه در این روش جواب خود را با توجه به اطلاعات ذخیره شده در دنباله فرمون و تابع هیوریستیک خود بدست می آورد. هر مورچه کار خود را در ابتدا بدون زمان بندی و با پردازنده به انجام کارها می پردازد. یک کار مانند j به صورت احتمالی برای زمان بندی با توجه به رابطه(۳-۱) قابل انتخاب می باشد :

_(۳-۱) 
در این رابطه α پارامتری است که برای تعریف میزان ارتباط اطلاعات فرمون استفاده می شود. β نیز تعریف گر وزن ارتباطی با اطلاعات هیوریستیک می باشد. کاری که با توجه به فرمول بالا انتخاب می شود, به لیست کارها اضافه می شود. این عمل تا زمانی که تمامی کارها زمان بندی نشده اند ادامه پیدا می کند. در بسیاری از پژوهش ها مساله ترکیب الگوریتم اجتماع مورچگان و الگوریتم های جستجوی محلی مطرح شده است. الگوریتم های جستجوی محلی در بسیاری از شرایط باعث افزایش کارایی سیستم می شوند. جستجو های محلی به سرعت و با تاثیر به سزایایی جواب ها را بهبود می دهند. یکی از این الگوریتم ها , الگوریتم تابو می باشد. در این روش سعی بر این شده است که از مکان هایی که باعث مشکل مینیمم محلی می شود دوری شود. این عمل با در دست داشتن لیستی به نام تابو لیست که نقاط قبلی که دیده شده است در ان وجود دارد صورت می گیرد. علاوه بر موارد ذکر شده, جستجوی تابو نتایج خوبی را در کنار روش اجتماع مورچگان نشان داده است.