دشت مرند در شمال آذربایجان شرقی و در 60 کیلومتری شمال غرب تبریز قرار گرفته است. این منطقه در سال 1370 به دلیل افت شدید سطح آب زیرزمینی و کاهش ذخیره مخزن، ممنوعه اعلام گردید و این ممنوعیت تاکنون ادامه داشته است. به منظور جلوگیری از افت بیشتر سطح آب زیرزمینی و با وجود افزایش جمعیت و به تبع آن افرایش نیاز آبی در بخش های مختلف، اقدام به شبیه سازی منابع و مصارف آب با استفاده از مدل weap شده است. بدین منظور در این منطقه ، محل های مصرف آب مشخص شده و مقادیر نیاز آبی آنها و هم چنین منابع آبی، در مدل شبیه سازی شده اند. جهت مدلسازی منطقه مورد مطالعه بایستی یک سال به عنوان سال پایه در نظر گرفته شود سال پایه که در این تحقیق سال 1385 در نظر گرفته شده است، به معنای سالی است که اطلاعات و آمار مناسبی از وضعیت منطقه تحت مطالعه موجود باشد. پس از ورود داده ها، سناریوهای مختلفی جهت برنامه ریزی و مدیریت منابع ومصارف ، در منطقه تحت مطالعه اعمال گردیده است. مطابق نتایج بدست آمده، اگر با اعمال سیاست های مناسب، به راندمان 50 درصد برای اراضی کشاورزی دست یابیم؛ می توان در جهت جلوگیری از افت بیش از پیش آبخوان، نسبت به کاهش برداشت آب از آبخوان به میزان 10 درصد اقدام نمود، این در حالی است که نیازهای آبی موجود و آتی(تا سال 1415) در زمینه شرب و صنعت بطور کامل تأمین خواهند شد. در مورد اراضی کشاورزی نیز اگر توسعه ای صورت نگیرد، نیازها در این بخش تأمین می شود و با فرض توسعه اراضی کشاورزی تا 7% نیز مشکل عمده ای به جز در سال های 1405، 1406، 1413، 1414 و 1415بوجود نخواهد آمد.

زمانبندی عبارت است از تخصیص منابع محدود به فعالیت ها در طول زمان، جهت بهینه سازی یک یا چند تابع هدف .مسئله زمانبندی کار، جزء مهمترین مسائل زمانبندی می باشد که جزء مسائل سخت قرارمیگیرد. بنابراین یافتن الگوریتمی کارآمد برای پیداکردن جواب های مناسب برای این مسئله بسیار ضروری است. الگوریتم های قدیمی به دلیل ماهیت قطعی و سریالی خود، قادر به مدیریت فضای کاملا غیر خطی مسئله زمانبندی کار نبوده و در صورت گرفتار شدن در بهینه های محلی، هیچ راهکاری برای رهایی از آن ندارند. بنابراین استفاده از روش های ابتکاری مبتنی بر الگوریتم های تکاملی و به ویژه الگوریتم ژنتیک می تواند بسیار سودمند باشد. برای این که الگوریتم ژنتیک بتواند یک جواب مناسب در اختیار ما قرار دهد، باید شانس تولید بخش های بزرگی از فضای جواب در جمعیت خود را داشته باشد، بنابراین برای مسئله بسیارسختی مانند زمانبندی کار، این جمعیت باید تا جایی که ممکن است بزرگ باشد. ولی بزرگ بودن جمعیت به معنی هزینه زمانی بزرگتر است زیرا کامپیوترهای معمولی به دلیل ساختار منابع خود، الگوریتم ژنتیک را به شکلی سریال اجرا می کنند و در نتیجه نمی توانند جمعیت های بزرگ را کنترل کنند. برای حل این مشکل نیز باید بتوان از سخت افزار بزرگتری که قابلیت مدیریت داده های بزرگ را داشته باشد، استفاده کرد. در این پایان نامه، ما روشی را بر اساس چارچوب نگاشت-کاهش از محاسبات ابری، معرفی کردیم تا بتوان الگوریتم ژنتیک با جمعیت های بسیار بزرگ را برای حل مسئله زمانبندی کار تولیدکرده و بر مشکل منابع محدود کامپیوترهای معمولی غلبه کنیم