异构计算环境下任务调度模型的启发式算法研究
异构计算平台的任务调度算法探索
异构计算平台的任务调度算法探索随着计算机技术的发展和应用需求的不断增长，异构计算平台逐渐成为了计算领域的重要研究方向。
异构计算平台结合了传统的中央处理器（CPU）和图形处理器（GPU）等多种类型的处理器，通过充分发挥各种处理器的优势，提高计算系统的性能和效率。
而任务调度算法则是异构计算平台中必不可少的一部分，它对任务的分配和调度起着至关重要的作用。
本文将对异构计算平台的任务调度算法进行探索与分析。
一、异构计算平台的任务调度算法概述在异构计算平台中，任务调度算法的目标是将不同类型的任务合理地分配给各种处理器，以实现最佳的性能和效率。
异构计算平台的任务调度算法主要有以下基本特点：1. 任务特性考虑：任务调度算法需要根据不同任务的特性，考虑任务的处理时间、资源需求和优先级等因素，以确定最佳的调度方案。
2. 多样性考虑：由于异构计算平台中的处理器类型多样，任务调度算法需要考虑处理器之间的异构性，充分利用各个处理器的特点，使得整个计算系统的性能得到最大化提升。
3. 动态调整：异构计算平台中的任务量和任务种类随着时间的推移会发生变化，任务调度算法需要能够动态地根据实时情况，调整任务的分配和调度方案。
二、常见的异构计算平台任务调度算法1. 贪心算法：贪心算法是一种基于贪心策略的任务调度算法，它根据任务的特性和资源需求，优先选择最佳的处理器进行任务分配。
贪心算法的优点是简单易实现，但缺点是无法保证全局最优解。
2. 遗传算法：遗传算法是一种基于进化原理的优化算法，它通过模拟生物进化过程，对不同的任务调度方案进行评估和选择。
遗传算法的优点是能够找到较好的局部最优解，但计算复杂度较高。
3. 禁忌搜索算法：禁忌搜索算法是一种基于启发式搜索的任务调度算法，它通过维护一个禁忌表，记录禁忌的任务分配方案，在搜索过程中避免陷入局部最优解。
禁忌搜索算法的优点是能够充分利用局部搜索空间，但需要注意参数的设置和调整。
4. 元启发式算法：元启发式算法是一种基于多个启发式算法的任务调度算法，它综合考虑多个启发式算法的优点，并通过自适应机制选择最佳的启发式算法进行任务调度。
网格环境下基于启发式智能算法的任务调度研究
网格的这种 动态性 。
现
代 计 管理模 块 把任 务执 行结 果 和有 关信 息告 诉任 务 提交 算 者。 机 １ 网格 计算 任 务 调 度 的特 点 总 网格 环境 是异构 的 且动态 性很 强 ． 何计 算节 点 任 第
一 一
在任何时刻都 不一定稳 定 ， 以必须建立 随时 问变化 所
的性 能 预测模 型 ， 及时 收集 各节 点 和路径 参 数 ． 并需
七 考虑 任务 调度 算法 的移植性 和可扩 展性 ．另外 ， 网格 期
Ｓ ｈ ｄ ｌ ｇＰｏ ｌｍ 。 ｃｅ ｕｉ ｒｂｅ ） 因此 ， ｎ 如何 提 高搜 索 性 能 ， 为 成
与调度 。
度 首先根据 任 务的需求 ，发 现 满足条件 的计 算资源 ； 然后从 满 足条 件 的计算 资 源 中根据 主要 因素 或选 择 策略选择 一个合适 的资 源分配 给该任 务 ： 任务 获得 满 足条件 的资 源 后 ， 以在 该 资源 上运行 ， 可 并处 于资源 本 地 的任 务管理 机制 的管理之 下 ； 任务在 资源 Ｊ 执行 结 束后 ， 占用 的资 源还 给 网格 管理机 构 ， 把 网格 任务
等各 种相关 的广泛 分布 的资源 的全面共 享 。然而 ， 网
的资源分 布是 自治的 ， 所以算法 应兼 顾 网格 任务 调度 和本地任 务调度 的结合 ． 对客 户端还 应提供 任 务提交
和执行情 况监测 的可视化 工具或 手段 。 （） １ 异构性 。 任务 调度是 面向异构平 台 的。 由于网 格 系统是 由分 布在 Ｉｔ ｎ ｔ 的各类 资源 组成 的 。 ｎｅ ｅ 上 ｒ 包
相 融合来进 行 网格 中任务调 度的研 究 。
异构云中面向集群负载均衡的任务调度策略
异构云中面向集群负载均衡的任务调度策略引言随着云计算的快速发展，云平台上的异构资源（如虚拟机、容器、物理机等）的规模不断扩大。
为提高资源利用效率，并满足用户对高可靠性和低延迟的需求，合理的任务调度策略在异构云环境中变得尤为重要。
本文将介绍一种面向集群负载均衡的任务调度策略，以实现任务的高效分配和均衡。
背景在云计算环境中，异构资源具有不同的性能参数和特点，而任务调度的目标是将任务合理地分配给不同类型的资源，以提高资源利用率、降低任务执行时间和满足用户的服务质量要求。
面向集群负载均衡的任务调度策略通过综合考虑系统和资源的状态，动态地决策任务的分配方式，以实现负载均衡和性能优化。
策略概述面向集群负载均衡的任务调度策略主要包括三个阶段：资源状态监测、任务分配决策和任务迁移执行。
1.资源状态监测通过定期获取异构资源的状态信息，包括C PU利用率、内存使用率、网络带宽等指标。
这些指标可以用来描述资源的负载情况和性能状况。
同时，还需监测任务队列中任务的数量和优先级。
2.任务分配决策任务分配决策是根据资源的状态和任务的需求，选择最合适的资源来执行任务。
这一决策是基于一套预定义的策略规则，包括但不限于以下几点：-负载均衡：根据资源的负载情况选择负载较轻的资源来执行任务，以确保资源利用率均衡。
-资源优化：根据任务的性能需求选择性能更好的资源来执行任务，以提高任务的执行效率和质量。
-任务优先级：根据任务的优先级确定执行顺序，保证高优先级任务得到及时处理。
3.任务迁移执行任务迁移执行是根据任务的类型和资源的状态，在任务执行过程中可能需要将任务从一个资源迁移到另一个资源上，以适应资源状态的变化和任务执行的需要。
任务迁移执行需要确保任务的连续性和数据的完整性，避免任务重复执行和数据丢失。
算法实现面向集群负载均衡的任务调度策略可以借助算法来实现。
以下是一种简单的任务调度算法示例：1.初始化资源池和任务队列2.定期获取资源的状态信息和任务队列的状态3.遍历任务队列，对每一个任务执行以下操作：1)根据任务的类型和资源的状态，选择最合适的资源来执行任务2)将任务分配给选定的资源执行3)根据资源的状态更新资源池和任务队列4)如果任务执行完毕，将任务从任务队列中移除；否则，继续执行下一个任务4.返回任务执行结果实例应用面向集群负载均衡的任务调度策略可以广泛应用于云计算平台、分布式系统和大数据处理等领域。
启发式算法介绍
启发式算法介绍
启发式算法（Heuristic Algorithm）是一种基于直观或经验构造的算法，主要用于解决复杂的优化问题。
其基本思想是模拟人类或自然界中蕴含的智慧和经验来寻找问题的最优解。
相对于传统的数学方法，启发式算法更加注重在近似解空间中进行搜索，从而能够快速找到较好的结果。
启发式算法有许多类型，包括但不限于遗传算法、鱼群算法、蚁群算法、粒子群算法等。
这些算法都提供了不同的机制来解决不同的问题，并且通常具有良好的适应性和可扩展性。
启发式算法常被应用于组合优化、约束优化、排队论、路径规划、生产调度等领域，并被证明在某些情况下能够为问题提供更好的解决方案。
然而，启发式算法也存在一些局限性。
例如，它在某些特殊情况下可能会得到很坏的答案或效率极差，但造成这些特殊情况的数据组合可能永远不会在现实世界出现。
因此，在使用启发式算法时，需要综合考虑其效果和实际问题的需求，选择合适的算法。
总之，启发式算法是一种基于经验和直观的算法，通过模拟自然界或人类的智慧来寻找问题的最优解。
它能够快速地找到较好的结果，但也需要考虑其局限性和适用范围。
异构多核处理器的线程调度算法与任务分配优化
异构多核处理器的线程调度算法与任务分配优化随着计算机应用领域的不断扩大和复杂化，单一的CPU无法满足大规模并行计算的需求。
因此，异构多核处理器逐渐成为了一种主流的处理器架构。
在异构多核处理器中，不同类型的核心具有不同的特性和处理能力，因此如何有效地进行线程调度和任务分配优化是一个重要的研究方向。
线程调度算法是指根据不同线程的特性和需求，将其分配给合适的核心进行执行的一种技术。
由于异构多核处理器中的核心性能差异较大，线程调度算法需要考虑线程执行时间、核心负载平衡和能耗等因素，以实现最佳的性能优化。
传统的线程调度算法如Round Robin、First Come First Served等对于同构多核处理器来说是适用的，但对于异构多核处理器来说并不高效。
为了充分发挥异构多核处理器的优势，研究人员提出了多种针对异构多核处理器的线程调度算法。
一种常用的线程调度算法是基于任务特性的静态线程调度。
该算法根据任务的特性（如计算密集型、I/O密集型等），将任务分配给适合的核心。
这样可以最大程度上减少任务之间的干扰，提高整体性能和效率。
另一种常用的线程调度算法是基于负载的动态线程调度。
该算法通过实时监测各个核心的负载情况，动态地将任务分配给负载较小的核心。
这样可以实现负载均衡，提高整个系统的运行效率。
例如，当某个核心的负载过高时，可以将一部分任务从该核心转移到负载较低的核心上，以保持整个系统的平衡。
除了线程调度算法外，任务分配优化也是异构多核处理器中非常重要的一环。
任务分配优化是指将任务分配给合适的核心，以最大化各个核心的利用率和整体系统的性能。
为了实现任务分配优化，研究人员提出了多种策略和算法。
一种常用的任务分配优化算法是基于模型预测的任务分配。
该算法利用历史数据和统计模型，预测各个任务在不同核心上的执行时间和能耗。
然后根据这些预测结果，选择最佳的任务分配方案。
这种算法可以在一定程度上提高整个系统的性能，但对于复杂应用场景来说，模型预测的准确性可能会受到限制。
异构计算平台上的任务调度与资源管理研究
异构计算平台上的任务调度与资源管理研究随着计算机和通信技术的不断发展，异构计算平台成为了解决计算资源不足和计算性能不够的有效手段之一。
在异构计算平台上，任务调度与资源管理的研究变得尤为重要。
本文将探讨异构计算平台上任务调度与资源管理的研究进展，并分析其对性能优化和资源利用的影响。
在异构计算平台上，任务调度涉及将任务合理分配给可用资源，以实现最佳的性能和资源利用率。
常见的异构计算平台包括GPU（图形处理单元）、FPGA（现场可编程门阵列）和多核CPU等。
这些异构计算平台的不同指令集、内存架构、功耗特性等，使得任务调度变得复杂而有挑战性。
一种常见的任务调度算法是基于负载平衡的方法。
这些方法通过将任务均匀地分配给可用资源，以实现资源的平衡利用。
例如，采用最小负载优先的调度算法将任务分配给负载较低的资源，以便优化系统性能。
此外，基于任务优先级和时限的任务调度算法也被广泛使用，以确保任务按时完成。
这些调度算法可以同时考虑任务性能和资源利用的平衡。
另一方面，资源管理在异构计算平台上起着至关重要的作用。
资源管理涉及到如何分配和管理计算资源，以满足不同任务对资源的需求。
一种常用的方法是采用预留资源和动态资源分配相结合的方式。
预留资源是指在系统启动时，为每个任务或资源分配一定数量的资源，而动态资源分配则是根据任务需求而实时分配资源。
通过合理分配预留资源和动态资源，可以优化性能和资源利用率。
此外，资源管理还涉及功耗的控制。
在异构计算平台上，不同类型的计算资源具有不同的功耗特性。
因此，在资源管理中考虑到功耗的控制可以有效减少系统能耗，并提高能源利用率。
例如，可以通过动态调整CPU和GPU的频率和电压来控制功耗，并根据任务负载动态分配任务给合适的计算资源。
随着云计算和大数据等领域的快速发展，对异构计算平台上任务调度与资源管理的需求也越来越高。
面对这些需求，许多研究者提出了各种创新的方法和算法。
例如，基于机器学习的任务调度算法利用历史数据和预测模型来预测任务的执行时间和资源需求，以实现更准确的任务调度。
异构网络中的任务卸载与协调研究
异构网络中的任务卸载与协调研究一、引言现代社会中，计算资源的需求与日俱增。
为了满足大规模计算任务的需求，人们开始研究如何利用异构网络中的计算资源进行任务卸载与协调。
本文将探讨这一研究领域中的相关问题，并讨论与之相关的挑战与解决方案。
二、异构网络与任务卸载的背景异构网络指的是由多种类型的计算设备组成的网络。
例如，云计算、边缘计算和移动设备网络等都可以看作是异构网络。
这些设备在计算能力、存储容量和网络带宽等方面存在差异。
而任务卸载则是将一个大型计算任务分解成多个子任务，然后将这些子任务分配给网络中的不同计算节点来并行执行。
在异构网络中，任务卸载涉及到多个方面的问题。
首先是任务分解的问题，即如何将一个大型任务拆分成多个子任务。
这要求考虑任务的性质和计算设备的特点，使得每个子任务的负载尽可能均衡。
其次是任务调度的问题，即如何将子任务分配给适合的计算节点。
这涉及到节点的计算能力、存储容量和网络带宽等因素的考虑。
最后是任务卸载过程中的通信和同步问题，即如何保证子任务之间的通信和同步能够高效进行。
三、任务卸载的挑战与解决方案在异构网络中进行任务卸载面临着诸多挑战。
首先是任务分解的挑战。
由于任务的性质和计算设备的特点多种多样，如何确定最佳的任务分解策略是一个复杂的问题。
一种解决方案是利用机器学习和优化算法来寻找最优的任务分解策略。
例如，可以利用神经网络来学习任务的特征和计算设备的特点，然后根据学习到的模型来进行任务分解。
其次是任务调度的挑战。
在异构网络中进行任务调度要考虑到计算节点的特点以及任务之间的依赖关系。
一种解决方案是将任务调度问题建模为一个约束优化问题，并利用启发式算法来求解最优的调度方案。
例如，可以根据计算节点的负载情况和任务之间的依赖关系来制定调度策略，以尽量减少总体的执行时间。
最后是通信和同步的挑战。
在任务卸载的过程中，子任务之间需要进行通信和同步，以确保协同工作的顺利进行。
然而，由于网络带宽有限和通信延迟等问题，这一过程往往会导致性能下降。
启发式算法
启发式算法启发式算法是一种通过寻找解决问题的近似解，而不是精确解的方法。
在计算复杂问题时，启发式算法通常比精确的方法更有效和可行。
启发式算法的核心思想是根据问题的特点和经验，通过一系列规则和启发式知识指导来搜索解空间，以找到最优解或接近最优解的解。
启发式算法的应用领域非常广泛，包括优化问题、规划问题、搜索问题等。
启发式算法的分类启发式算法可以分为多种类型，常见的包括贪婪算法、遗传算法、模拟退火算法、蚁群算法等。
这些算法在不同的问题领域和条件下有其各自的优势和适用性。
1.贪婪算法：贪婪算法是一种简单且直接的启发式算法。
在每一步，贪婪算法选择当前最优的选择，而不考虑之后的结果。
虽然贪婪算法的效率很高，但并不一定能得到全局最优解。
2.遗传算法：遗传算法是一种通过模拟生物进化的方式来搜索问题空间的启发式算法。
遗传算法通过模拟自然选择、交叉和变异等操作，逐步优化解的质量，从而找到近似最优解。
3.模拟退火算法：模拟退火算法受到金属退火过程的启发，通过在解空间中随机跳跃来避免局部最优解，并逐渐降低温度以使算法逐渐收敛到全局最优解。
4.蚁群算法：蚁群算法是模仿蚂蚁在寻找食物过程中释放信息素进行集体搜索的启发式算法。
蚁群算法通过模拟蚂蚁的行为，通过信息素浓度的增减来引导搜索过程，从而发现最优解。
启发式算法的应用启发式算法在许多领域都得到了广泛的应用，例如路径规划、流程优化、资源分配等。
下面以路径规划为例介绍启发式算法的应用：在路径规划问题中，启发式算法可以帮助寻找最优路径，使得路径长度最短或时间最少。
例如，蚁群算法可以模拟蚂蚁在寻找食物时释放信息素的行为，帮助寻找城市间最短路径；遗传算法可以通过模拟生物进化过程，逐步优化路径质量。
结语启发式算法是一种非常有用的算法工具，在处理复杂问题时展现出强大的优势。
通过灵活运用不同类型的启发式算法，可以更快速、高效地找到问题的解决方案。
希望本文对启发式算法有所启发，能够对读者有所帮助。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
（） 心法（ ｓＧ ｅ ） ３ 快速贪 Ｆ ｔ ｄ ａ ｒｙ ｅ
快速贪心法是将任务每次分配给 Ｃ 最小的机 Ｔ
器 按 序 任 ， 算Ｃ，使 于 意ｋ ． 。 顺 取 务。 计 Ｔ，对 任 ｅ ， （． １ ． Ｍ均 ） 满足Ｃ，－ Ｔ ， 后 分配 机器 ， Ｔ Ｃ，然 将‘ 给 ｊ ， ， ； ， 并将 Ｃ， 到 Ｔ 加 所有Ｃ，ｐ （１．） 算 时 复 。 Ｔ （ｅ４ ． 上。 法的 间 ｊ ． 川
ｓｌ ｔ ｍ ｔｃ ｃ ｔ ｒ ｍ ｔ ｍ ｅ ｃｂｓ ｅｉ ａ ｈ ｅ ｅ
ｏ ｐ ｅ ｍ ｃｍ ｔ ｉ ｍ ｎ ， ｕ ｍｎ ｉｕ Ｃ． Ｔ
ｓｈ ｄ ｌ ａｋ ａ ｔｓ ｍ ｎ ｃｅ ｕｅ ｎ
ｅ ｄ ｈｌ ｎ ｗｉ ｅ
图 ２ 二 －ห้องสมุดไป่ตู้ｍ算法框架 ｍ
收稿 日 ２ ０－４ ２ 期 ０６ － ９ ０ 基金项 目 北京工业大学计算机学院研究生科技 ：
影响 了 任务调度模型中某种启发式算法的求解精 确程度。
基金项目（ ｊ ０５１９ ３） ｙ － ０－ ｋ２
１０ ２
微电子学与计算机
２０ ０ ６年第 ２ 卷 ． ３ 增刊
３ 算法描述 ３ 简单的任务调度启发式算法 ． １ 在任务调度模型下的， 有一组算法所考虑的目 标最为简单和直接， 时间件复杂度也通常很小． 这类
（） ｇ ｅ ） ３ 贪心算法（ｅ ｙ ｒｄ
ｇｅ 算 集 这 种 法的 点， 分 成了 两 算 优 在 配 ｒｄ 法 ｅｙ
过程中 每次选出执行时间最小的任务， 。 并尽量缩 小任务的Ｃ 差距， Ｔ 从而达到对ｍｎｍｎ ｉ ｉ的补偿， － 缩 小大任务带来的空等待１ １ １
３ 遗传模拟类的启发式调度算法 ． ３ 遗传模拟类的启发式调度算法立足于通过模 拟生物遗传过程和热力学规律来对匹配的解空间
Ｄ Ｉ ＸＡ Ｊ ， ｕ ｈａ Ａ Ｎ， Ｏ Ｄ Ｒ ｉｕ ａ Ｉ ｉ Ｉ － ｅ
（ｏｅ ｏＣｍｕ ｒ ｃ ａｄ ｈｏｇ， ｉ Ｕｉｒｔ ｅ ｏｇ Ｂｉ ｇ ０２ ｃｎｅ ＴｃｎｏｙＢｉ ｇ ｖｓ ｏＴｃｎｏ ， ｉ １０２） Ｃｌｇ ｆ ｐｔ Ｓｉ ｎ ｅ ｌ ｅ ｎ ｎ ｅｉ ｆ ｌｙ ｅ ｎ ０ ｅ ｏ ｅ ｅ ｊ ｙ ｈ ｊ
ｅ ｄ ｒ ｎ ｆ ｏ
ｓｌｃ ｂ ｔ ｒ ｍａ ｈ ｓ ｍ ｔｃ ｔ ｍ ｅｅｔ ｅ ｅｉ ｃ
一个可用的机器， 而不考虑任务的执行时间和是否 有机器能更好更快地完成该任务 。 川 所以 这种算法 所得到的 解通常不太理想不难得知， 该算法的时间
复杂度为 Ｏ ｎ ｏ （）
ｏ ｐｔ ｍ ｃｍ ｕ ｍｎ ｍ ｎ 几， ｉ ｔｕ Ｃ ｅ ，ｃ ｅ ｍ ｎ 】ｔｋ ｎ ｓ ６如 ａ ｏ ｓ
Ｗｈｌ ｔｅｅ ｔ ｋ ｔ ｓｈｄ ｌ ｉ ｈｒ ｅｅ ｓ ｃ ｅｕｅ ｅ ｒ ａ ｓ ｏ
ｆ ａｔ ｋ‘ ｓｈｄ ｌ ｏ ｌ ａ 协 ｃｅｕ ｒ ｓ ｌ ｅ
ｆ ａ ｔｔ ｊ ｏ ｌ ｒ ｏ ｓ
ｏ ｕ Ｔ－ ｆａ ， ｔ ｃ ｐｔＣ，Ｃ ｔｋ ｓ ） （ｓｉ ｏ ｊ ｍ ｅ ｊ ｈ
ｅｄ ｉ ｎ ｗ ｌ ｈｅ
图 １ ｉ ｍｎ ｍｎ ｉ算法框架 －
（） 算法（ｍｅ Ｂｓ ｓｇｍｎ Ｌ ｉｄ Ａｓｎｅ ） ２ ＬＡ Ｂ ｉｔ ｅ ｉ ｔ ｔ
Ｌ Ａ算法把该任务分配给能够获得最短执行 Ｂ
时间（Ｔ （ 最小） Ｅ 的机器， 但此时的 任务分配并不考虑 该机器当 前是否可用以及该机器何时可用【 ｎ
与ＯＢＬ ， ｔ ｄ ＡＦｓＧ ｅ 相比，ｉ ｍ 算法 Ｌ， Ｂ ａ ｒｙ ｅ ｍｎ ｉ －ｎ
更优， 因为在每一次分配时， 它统盘寻找任务集中 Ｃ 最小的任务来进行分配。 Ｔ 但是， 在任务的Ｃ 差 Ｔ 异很大时， 这种算法有可能会引起个别机器空闲等 待的情况， 影响整体的ｍｋ ｐ ａ ａｅ ａ ｓｎ （） － ｎ ｉ算法 ２ ｍｘｍ ａ 算法框架与ｍｎ ｉ算法相似， ｉ ｍｎ － 但是考虑到 ｍｎｍｎ ｉ ｉ算法可能出现的空等待， － 该算法每次取出
完成 间的 合， 时 集 Ｍ ｉ ｍ ＝ ； ： ４ ｎ （ － ０ ｊ （Ｔ 任 ｝ Ｃ ｊ 对 ＜ ｍ ） ， 意ｉ Ｕ 从集合Ｍ中 ｅ卜 取出最小完成时间 最小的 任 务， 把它分配给相 机器， 应的 并将该任务 从任务 集Ｕ
中删除。 如此反复， 直到集合 Ｕ 为空， 此时所有的 任 务均分配到当时能够最快完成的 机器上１。 １ 算法框 １ ２ ） 架如图１ 所示， 时间复杂度为０ｎｎｏ （ ） ｝
Ａ ｓ ａｔ Ｈｕｓ ｓ ｅｕｎ ａｏｔ ｓ ｎｅｅ ｗｅ ｄａｎ ｗｔｔ Ｎ －ｏ ｐ ｔｔｋ ｅｕｎ ｐ ｈ ｍ 玩 ｂｔ ｃ ｅｒｔ ｃ ｄｌｇ ｒ ｍ ａ ｅｄｄ ｎ ｌｇ ｈ Ｐｃｍ ｌｅ ｓ ｄｌｇ ｌ ． ｒ ： ｉｉ ｈ ｉ ｌ ｉ ｃ ｇ ｈ ｒ ｅ ｈ ｅ ｉ ｉ ｅ ｈ ｅ ａ ｃ ｉ ｍｅ ｓ ｈ ｔｓ ｅ ａ ｕｄ 妇 ｇ ｅｆ ｔｋ ｅ ｌｇ ｒ ｏ ｄａｄ ｎ ｉ ｓ ｅｒｔ ｓ ｅｕｎ ａ ｏｔ ｓ ｈ ｐｐｒ ｎ ｅ ｎ ｍｄｌ ａ ｓ ｄ ｉ ｉｐ ｐｓ ， ｔ ９ ｄ ｏｈｕｓｃ ｄｌｇ ｒｈ ａ ｉ ａ ， ｎ ｄ ｏ ｏ ｓ ｃ ｕｎ ｓ ｅ ｎ ｈ ｋ ｒ ｈ ｏ ｅ ｎ ｆ ｉｉ ｃ ｉ ｌ ｉｍ ｒ ｈ ｇ ｅ ａａ ｓ ａｄ ｃｂｄ ｏ ｅｔｒ ｅｒ ｓ ｅｕｎ ａｏｔ ｓ ｅ ｏ ｔｓ ｅ Ｔａｍｎｍｎ ｒｔ ａ ｏ ｎｌｅ ｎ ｄｓｉ ｉ ｒ ｒ ｅ ａ ｈ ｄｌｇ ｒ ｍ ｂｓ ｎ ｍ ｄＬ ｔ － ｉ ｈｕｓｃ － ｙ ｄ ｅ ｒｅ ｎ ｏ ｃ ｃ ｉ ｌ ｉ ｄ ｓ ｈ ｇ ｈ ａ ｄ ｈ ｏ ｉ ｈ ｉ ｅ ｉｉ ｌ ｇ ｒ ｍ ｄ ｅｃ ｒｔ ａｏｔ ｍ ｎｅｅ ｔ ｂ ｉｐ ｖｄ ｅ ｏ ｖｒｕ ｐｒｒａｃ ｄｍｎｓ ｈ ｔｎ ｏ ｉ ａ ｇ ｔ ｈｕｓｃ ｒ ｍ ｅｄｄ ｅ ｒ ｅ ｂｓ ｎ ｉｓ ｆ ｍ ｅ ａｄ ｉｔ ｒ ｄ ｔ ｎ ｅ ｉ ｅ ｉｉ ｌ ｉ ｈ ｎ ｇ ｈ ｅ ｏ ｍ ｏ ａ ｄ ａｏ ｅｏ ｎ ｅ ｓ ｅ ｆ ｅ ｔ ｓ ｅｕｎ ａｏｔ ｓ ｅｒ ｅｅｕ ｃｍ ｕｎ ｅｖ ｎ ｅｔ ｈ ｃ ｄｌｇ ｒ ｍ ｉｈｔｏ ｎｏｓ ｐｔｇ ｉ ｍ ｎ ｅ ｉ ｌ ｉ ｎ ｅ ｇ ｈ ｇ ｈ ｏ ｉ ｎｒ ｏ ． Ｋ ｙ ｒｓ Ｔｓ ｓ ｅｕｎ ｍｄｌ ｅｒｔ ｓ ｅｕｎ ａ ｏｔ ｓＭｎｍｎ ｒｈ ｓＣｎ ｉａｏｔ ｅ ｗ ｄ： ｋ ｄｌｇ ｅ Ｈ ｕｓｃ ｃ ｄｌｇ ｒｈ ， － ｉａｏｔ ， ｅｃ ｒｈ ｏ ａ ｃ ｉ ｏ ， ｉ ： ｉ ｌ ｉｍ ｉ ｈ ｉ ｈ ｇ ｌｉ ｍ ｅ ａ ｌ ｉ ｍ ｇ ｇ
的 行时 。 Ｔ为 执 间 记Ｃ， 任务‘ 机器码上 最 完 ｒ 在 的 终 出深人的分析和比较， 我们需要建立基本假设模 成 间 考 到 务ｔ 达 器Ｍ时， 可 正 时 。 虑 任 ； 机 Ｙ ｍ 能 在 到 ； 型。 本文试图在一种具有较普遍意义的静态任务模 执 之 分配 它 任 此时‘ 立即 ９ 行 前 给 的 务。 不能 在ｍ上 型（ 在调度决策前， 经知道待调度任务的特征） 运 需 等 就已 行， 要 到码空 为 。 ‘ 任 开 执 闲 止 记ｂ 务‘ 始 为 基础上， 对各种典型的任务调度启发式算法进行分 行的 间 于 有： ，Ｔ 当 时 。 是， Ｃ ＋ ｄ 任务‘ 经 分 今ｂＥ ｏ 已 被 析和比 提出一些新的观点， 较， 并从启发式算法特 配给 机器ｎ执 ５ 行时， ＴＣ ， 成该任务集 ． 记Ｃ， 几 完 ＝ 调 点的角度上完整地论述模型下的启发式任务调度 度的ｍｋ ｐ 为ｍｘＣ， ａ ｓ ｎ ａ（Ｔ ｏ ｅａ ） 算法。 在 述 型 Ｅｙ 任 执 时 的 计 ， ， 对 务 行 间 估 。 上 模 中 Ｔ是
为了对各种主流的任务调度的启发式算法做
由于针对待调度任务的Ｅ 的估计可能不准确， Ｔ 特 ２ 任务调度模型 别是在没有Ｅ 反馈的任务调度模型 （ Ｔ 尤指静态任 元任务是一组没有数据依赖的相互独立的任 务调度模型） 所以 中， 在模型的 仿真模拟中，Ｔ Ｅ 的估 务集合。这里讨论的静态任务模型 基于以 下假设： 计只 依赖于经验或按照某种概率分布随机生成。 （） １ 任务集中的任务都是元任务； ） （ 每台机器在 ２ 但是， 在实际的异构计算环境下， 这将严重地
小的任务， 对ｍｎｍ 算法造成的 从而 ｉ ｉ －ｎ 空等待进 行 补偿。 算法框架如图２ 所示， 时间复杂度为Ｏｎｎ （ ） ｝ 【。 ， 然而实验证明ｍｎｍｎ ， 刀 ｉ ｉ算法的性能基本上要优 － 于ｒｔｍｎ 叽 ｔｔ ｔ算法 ｔ－ ａ
Ｗｈｌ ｔ ｒ ａ ｔ ｋ ｔ ｓｈｄ ｌ ｉ ｈ ｅ ａ ｓ ｃｅｕｅ ｅ ｅ ｒ ｓ ｏ ｅ
ｆ 心 ｔ ｔ ｊ ｏ ｏ ｒ ｓ
ｃｍ ｕ Ｃ ＝ （ ｉ ｓ ） Ｔｔｋ ｏ ｊ ｏｐｔ Ｔ Ｃ ｍ ， ｔ ｅ ｈ
ｅ ｄ ｒ ｎ ｆ ｏ
ｃ ｐｔｍ ｒ ｍｘ ， Ｔ …） ｔ ＝ ａ （Ｔ Ｃ ， ｏ ｕ ｅｉ ｍ ｅ ｃ Ｃ， ａ
ｅ ｄ ｒ ｎ ｆ ｏ
ｍ ｍ启发式算法和遗传算法在异构计算环境下有较好的性能表现，
关键词：任务调度模型， 启发式调 度算法，ｉ ｍｎ ｍｎ ｉ算法． － 遗传算法
中图分类号： １ １ Ｔ ３ 文献标识码： Ａ 文章编号： ０－１ （ ０） －１９ ３ １ ０７８ ２ ６５ ０ １－ ０ ００ ０ ０
Ｔ ｓ Ｓｈｄｌ Ａｇｒｈ ｓ Ｃａ ｉ Ｍｏｅｏ ｇ ｏｉ ｍ ｉ ａ ｓｃｌ ｄｌ ａｋ ｅｕｎ ｌ ｔ ｃ ｉ ｎ ｌｓａ ｆ Ｈ ｔ ｏｅｅｕ Ｃ ｍ ｕｉ ｎｉ ｎ ｅｔ ｎ Ｅ ｖ ｏｍ ｎ ｅ ｒｇｎｏｓ ｐ ｔ ｇ ｒ ｅ ｏ
２０ ０６年第 ２ 卷 ・ ３ 增刊
微电子学与计算机
１９ １
异构计算环境下任务调度模型的启发式算法研究
戴 娜 肖 杰 邸瑞华
（ 北京工业大学 计算机学院， 北京 １ ０２ ０ ２） ０ 摘 要：针对一种具有普追意 任务调度模型，从算法特点出发讨 义的 论和分析各种启发式调度算法，得出．ｎ ｉ －