异构系统中改进的遗传调度算法

针对以往调度算法无法准确反映任务的优先级的问题,提出一种改进的遗传调度算法.将任务的ranku属性值应用于染色体的构造方法中,即根据ranku属性值降序排列得到染色体的任务序列,使重要任务优先获得调度,从而得到优质的初始种群,为遗传算法提供合适的迭代起点.实验结果表明,该算法能有效提高初始种群的质量,获得更好的调度性能.     

同构Hadoop集群环境下改进的延迟调度算法

在Hadoop框架下计算资源和数据资源可以在不同物理位置的特点产生本地化问题。延迟调度算法的产生旨在解决本地化问题, 此算法根据任务待处理数据的物理位置作为作业的计算节点, 调度任务至目标节点。但是可能出现同一作业中若干任务集中运行在某一计算节点, 导致作业达不到理想的并行效果。针对原有的延迟调度算法, 提出延迟一容量调度算法, 允许部分任务选择非本地化节点作为原延迟调度算法中任务的目标计算节点, 以提高作业的响应时间与增加作业的并行程度。最后通过实验对比分析, 改进后的算法在执行效率和并行效果明显优于原延迟调度算法。