一种面向多核系统的Linux任务调度算法

针对Linux任务调度算法在多核系统中交互性能差的问题,提出一种分组任务调度算法GFS。根据多核系统硬件特性,自动配置物理距离近的一组CPU共享一个任务运行队列,通过平衡组内CPU对任务运行队列的访问竞争与任务迁移的代价,实现组间任务运行队列的负载均衡,减少调度延迟。通过优先调度唤醒任务,加快多核系统中交互任务的响应速度。测试结果表明,在不同任务负载下,GFS能够明显降低交互任务的平均响应时间,从而有效提高多核系统交互应用的调度性能。     

基于动态任务调度的STDS算法设计研究

任务调度是计算机多核处理器系统获得高性能的关键,而现有的多核任务调度算法研究,大多侧重于静态调度下的算法优化和负载均衡,对动态调度及动态负载均衡研究较少。针对动态调度,并结合异构多核的特点,提出一种基于核负载均衡的动态任务调度算法STDS。算法通过合理设定调度粒度,降低调度频率,从而减少调度消耗时间;根据异构多核处理器各核处理性能的差异,设置内核负载上下限值,控制内核负载保持在同一水平,以达到负载均衡效果。算法依据等待时间长短、任务间通信大小和内核负载轻重因素对任务进行实时调度,并可通过实时因子、负载因子等参数设置3种因素的影响比重,以满足系统的不同需求。仿真实验显示,在内核数目较多的系统中,STDS算法更加高效,在保证任务处理速度的同时有较好负载均衡。     

多核处理平台上任务图模型的并行调度策略研究

凭借着高性能,低功耗的特性,多核处理器已经占据了目前的主要市场.提出一种多核处理平台上基于任务图模型的调度策略.建立了多核平台上任务图的空间与时间并行调度模型;针对任务图的空间并行与时间并行调度模型提出了并行节点合并、分配的优化算法与流水线并行的优化算法.最后,提出将优化的空间与时间并行调度技术相结合的并行调度策略.通过实验验证,本文提出的算法比其他多核并行调度算法降低了处理器核心间的通信与同步开销,提高了系统的计算效率与吞吐量.     

混合关键性多核系统调度综述

混合关键性多核系统调度主要考虑划分任务到每个核和任务在核上的调度两个大方面,以满足嵌入式系统安全性和可靠性的需求.由于嵌入式系统在硬件等多方面的约束,混合关键性得到了学术界和企业界的广泛关注,在提高任务调度率和多核系统资源利用率方面展开了许多研究.而不同的任务调度方法和划分方法对提高利用率方面有不同的结果,为此从改善低关键任务的调度、提高每个核的资源利用率、任务执行时的干扰、多核的划分策略等方面,对近年来的混合关键性任务调度进行了详细的分析和总结,并指出了当前研究的不足和未来的研究方向.     

Web集群系统的负载均衡算法

采用集群技术搭建所需的服务器往往导致各服务器系统资源利用率存在很大差距。为解决上述问题,通过分析已有的负载均衡算法,提出一种改进的动态反馈负载均衡算法。调度器定时接收集群中每台服务器上报的性能参数,计算每台服务器当前负载比例值,根据该值计算每台服务器的分发权重,以合理分配用户请求。实验结果证明该算法能有效提高集群系统的整体性能。     

Storm集群下基于性能感知的负载均衡策略

Storm计算框架具有为多源异构大数据提供高效、快速、实时处理的能力.然而因Storm默认的调度策略使用了简单的轮询方法,无法根据集群动态的负载状态调整其任务的分配.针对该问题,提出了基于性能感知的负载均衡策略,根据节点的处理效率计算其性能感知值,并通过贪心调度保证节点的任务量与节点处理能力相匹配,以达到负载均衡的目的.通过与默认调度算法实验比较,结果表明该算法能够有效降低Storm处理时延,提高吞吐量和实现集群负载均衡.     

基于同构多核处理器的任务调度

随着现代应用对计算机性能要求的提高,计算机主频不断提升。由于功耗和半导体工艺的限制,仅靠提高单核主频难以继续维持“摩尔定律”,同构多核处理器（Homogeneous Multi-core）应运而生。在同构多核处理器的支持下,一个芯片汇集多个地位对等、结构相同的通用处理器核,以最小的代价满足了提高系统性能、负载均衡、处理器容错的需要。并行体系结构需要结合与之适应的软件实现性能效益的倍增。本文从操作系统层面,针对处理器结构的变化,研究并实现多核任务调度。系统采用混合调度策略,簇间独立调度,簇内统一调度。从调度模式、调度算法、分配算法、调度时机等方面详细分析了多核调度的原理和实现机制。最后通过模拟实验证明功能正确性及算法可调度性。     

面向MPSoC系统多特征的模糊动态调度算法

针对MPSoC系统中的不确定多特征,提出基于模糊集理论的多核系统动态启发式调度算法.利用模糊集描述系统的多种不确定特征,根据模糊隶属度计算确定任务和资源的调度优先级,以提高任务调度的可并发执行能力;综合资源的最早可用时间和利用率,适当选取最接近处理器评估函数均值的处理器,以提高处理器利用率和均衡处理器负载.仿真模拟结果...     

基于Storm拓扑结构热边的调度算法

Storm分布式实时计算系统采用轮询调度算法达到任务均衡分配的目的,但Storm默认调度算法未考虑计算节点间的网络通信开销,可能造成topology处理时延高、集群吞吐量低等问题。为此,引入Storm topology热边的概念,通过减少网络传输的tuple数量,将热边关联的源executor和目标executor调度到同一工作节点执行,提升Storm集群的计算性能。实验结果表明,该调度算法能够有效降低Storm处理时延及集群节点间的通信量,提高系统吞吐量,并且有利于集群的负载均衡。     

调度机制对CPU-MEM负载共享系统的性能影响

分布式系统中调度机制对负载共享系统性能有不同的影响.基于CPU-MEM的负载共享策略由于充分考虑了分布式系统中内存资源对系统性能的作用,从而大大降低了系统页失效的次数,提高了系统资源的利用率,最终使得整个分布式系统性能有了很大提高.在一般调度策略RR的基础上,基于CPU-MEM的负载共享,提出了一种节点调度策略--多内存多时间片轮询策略(RR-MMMCS),并在模拟实验中表明了RR-MMMCS策略的优越性.讨论了任务的内存需求量和任务服务时间的变异特性对CPU-MEM负载共享策略以及RR-MMMCS调度机制策略性能的影响,表明无论是对计算密集型任务还是数据密集型任务,基于CPU-MEM负载共享策略和RR-MMMCS调度机制策略有较高的效率和稳定的性能.     

面向时间敏感网络的流量调度方法

从高效流量路由调度计算的角度出发,针对时间敏感流量调度中通常存在的计算效率低、迭代收敛慢等问题,提出一种基于最短路径负载均衡与改进遗传算法的流量调度方法。建立网络模型与流量模型并定义时间敏感网络中的流量传输约束,同时利用基于K最短路径的负载均衡路由算法与改进选择算子和交叉变异概率的遗传算法进行路由与调度计算。实验结果表明,该方法能有效缩短时延敏感流量调度任务的完成时间,提高调度计算效率,并加快迭代收敛速度。     

基于几何覆盖率算法的传感器覆盖优化策略

区域覆盖率是传感器网络节点调度过程中的一项重要指标。现有的栅格统计法会因为栅格大小划分而导致计算精度与计算速度的矛盾,不利于大面积传感器网络的规划调度。针对栅格统计法的不足,提出了一种基于圆弧并面积算法的几何覆盖率算法,这种算法使用简单的几何运算代替栅格统计法中大量的循环统计,是一种快速且精确的算法。结合遗传算法,并利用几何覆盖率算法设计判冗余机制,形成了传感器网络覆盖优化策略,仿真结果表明利用几何覆盖率算法的优化策略能有效提高规划效率和计算精度。     

一种用于网格任务调度的退火进化算法*

针对网格环境下具有约束关系的任务调度问题,基于有向无环图DAG（directed acyclic graph）设计了调度模型;提出了一种改进的退火进化算法,对任务的执行次序和资源的具体分配分离编码,给出适应度函数计算方法和算法步骤。最后将算法和传统的遗传算法比较,实验结果显示该算法能获得更好的调度结果。     

基于遗传算法的动态资源调度问题研究

建立了无人作战飞机任务规划问题的数学模型，提出了分层递阶的任务规划系统结构．针对任务规划的核心资源调度问题，设计了基于遗传算法的动态资源调度算法，有效地解决了多无人作战飞机的资源调度问题，计算结果表明了算法的有效性．     

求解多目标流水车间调度Pareto最优解的遗传强化算法

针对多目标流水车间调度Pareto最优问题, 本文建立了以最大完工时间和最大拖延时间为优化目标的多目标流水车间调度问题模型, 并设计了一种基于Q-learning的遗传强化学习算法求解该问题的Pareto最优解. 该算法引入状态变量和动作变量, 通过Q-learning算法获得初始种群, 以提高初始解质量. 在算法进化过程中, 利用Q表指导变异操作, 扩大局部搜索范围. 采用Pareto快速非支配排序以及拥挤度计算提高解的质量以及多样性, 逐步获得Pareto最优解. 通过与遗传算法、NSGA-II算法和Q-learning算法进行对比实验, 验证了改进后的遗传强化算法在求解多目标流水车间调度问题Pareto最优解的有效性.     

改进的SAGA算法在变电站巡检作业调度中的应用

针对多资源约束条件下变电站巡检作业调度问题,根据巡检成员的位置、当前任务、任务详情、待执行任务、巡检设备、设备历史巡检记录等因素,构建数学模型,并在此模型基础上提出一种改进的遗传算法。该算法解决了传统遗传算法陷入局部最优解的问题,且具有收敛速度快的特点。实验结果表明,SAGA算法在解决变电站巡检作业调度问题方面要优于GA算法,且具有更高的求解效率。      

混合遗传算法在Job-shop调度问题中的应用

首先建立了Ｊｏｂ－ｓｈｏｐ调度问题的神经网络模型，根据这种模型的特点，提出了求解复杂Ｊｏｂ－ｓｈｏｐ调度问题的混合遗传算法．仿真结果表明了本文方法的有效性，在运行时间和最优率方面具有较好的优势．     

柔性作业车间人员配置及作业排序问题研究*

以最小化任务完成时间为目标,建立了柔性作业车间人员配置及作业排序模型,并设计了蚁群-遗传混合优化算法进行求解。首先,根据求解问题特征,设计了蚁群-遗传协调优化的算法结构。其中,蚁群算法求解资源配置,遗传算法求解既定资源配置方案下的作业排序;其次,为便于蚂蚁游历中配置任务的加工设备和操作人员,设计了一种新的蚂蚁游历地图及地图上启发式信息的计算方法和更新方式;再次,遗传算法采用基于工序优先权值的实数编码方式,并采用父子排序的精英保留策略以促进算法收敛;最后,通过两个不同规模的实例,比较其与其他算法及不同资源配置规则的运行结果,说明本算法能较好的求解柔性作业车间的人员配置及作业排序问题。     

电子商务下多约束有时间窗车辆问题优化研究

传统的基于行车路线最短的车辆调度优化模型难以满足电子商务物流配送实际需要,导致实际配送成本居高不下;或是过于强调线路最短,而难以按照客户的要求准时送货,失去市场竞争力。将传统车辆调度模型进行修改,以提高模型的适用性和通用性。由于车辆调度问题是NP难问题,采用改进遗传算法进行优化求解,结合具体实例,通过实验计算证明了该改进算法的良好性能。     

基于改进遗传算法的网格任务调度算法

网格任务调度是一个NP完全问题,它关注大规模的资源和任务调度,要求采用的调度算法能够具有高效性.遗传算法被证明是解决这类小规模问题的有效算法,随着任务数和资源数的增加,遗传算法表现出慢速收敛的缺点.为了克服其缺点,提出将Min-min算法与遗传算法相结合的改进遗传算法,从而设计出很好的选择和交叉算子,提高了算法搜索能力和收敛速度.仿真结果表明该算法能更有效解决网格任务调度问题.