CN107133088A - 一种基于粒子群算法的多核系统任务调度方法 - Google Patents
一种基于粒子群算法的多核系统任务调度方法 Download PDFInfo
- Publication number
- CN107133088A CN107133088A CN201710258882.5A CN201710258882A CN107133088A CN 107133088 A CN107133088 A CN 107133088A CN 201710258882 A CN201710258882 A CN 201710258882A CN 107133088 A CN107133088 A CN 107133088A
- Authority
- CN
- China
- Prior art keywords
- mrow
- mtd
- mtr
- task
- msub
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/48—Program initiating; Program switching, e.g. by interrupt
- G06F9/4806—Task transfer initiation or dispatching
- G06F9/4843—Task transfer initiation or dispatching by program, e.g. task dispatcher, supervisor, operating system
- G06F9/4881—Scheduling strategies for dispatcher, e.g. round robin, multi-level priority queues
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F15/00—Digital computers in general; Data processing equipment in general
- G06F15/16—Combinations of two or more digital computers each having at least an arithmetic unit, a program unit and a register, e.g. for a simultaneous processing of several programs
- G06F15/177—Initialisation or configuration control
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于粒子群算法的多核系统任务调度方法,包括构造任务调度模型生成有向无环图DAG、初始化基本参数和信息素、更新信息素以计算任务间通信时间和适应度值、生成全局最优解等四步骤;发明通过对信息素的有效初始化将蚁群算法和粒子群算法相结合,同时使用启发式智能优化算法,以高效地实现多核系统的任务调度。本方法实现了缩短任务调度的时间,降低通信成本,弥补单方面算法的不足之处。
Description
技术领域
本发明属于多核系统任务调度方法技术领域,特别涉及一种基于粒子群算法的多核系统任务调度方法。
背景技术
为了提高计算机的系统性能和处理能耗问题,对计算机处理器的研究已经从单核向多核进行发展。目前通过多个处理器核的并行工作来完成计算任务成为解决处理器问题的性能瓶颈。任务调度是决定计算机系统性能好坏的因素之一。当单一芯片上集成了多个处理器核时,在这些处理器核之间进行多任务的调度是十分重要。
在多核系统中,并行程序的执行顺序取决于每个处理器核分配到任务的情况,所以制定任务调度要有一套好的规则和策略。好的任务调度策略可以减少整个系统的执行时间并提高系统的响应速度。随着多核处理器的不断发展,任务调度对于高性能处理器来说变得十分重要。近年来,针对解决多核处理器的任务调度问题出现了不少方案。解决任务调度的主要问题在于如何缩短调度时间,降低通信成本和提高系统性能。
目前,公认最有发展前景的任务调度技术是使用启发式算法将任务划分为不同的组,然后使用遗传算法分别对它们进行调度。实际上,多任务调度问题是一个NP问题。许多智能算法可以应用于多任务调度问题,如遗传算法,粒子群优化算法,蚁群算法等。粒子群优化PSO是Kennedy和Eberhart在1995年基于群体智能进化提出的计算方法。此算法基于对鸟群觅食行为的研究,类似于遗传算法。粒子群算法原理简单并且易于实现。粒子群算法主要用于解决复杂问题的连续优化,但它在离散组合优化中的使用却是非常有限的。蚁群优化ACO是另一种智能优化算法,该算法是受蚂蚁觅食时不断改变活动路径这一行为的启发。ACO是通过不断更新信息素来获取最优解。但是,因为在初始阶段缺少信息素,所以这种算法在开始阶段的收敛速度十分缓慢。
发明内容
为了解决多核处理器的任务调度,本发明提出了一种基于粒子群优化算法的混合算法。PSO和ACO都是可以用于多核多任务调度的群智能算法。局部最优和全局最优可以通过PSO和ACO的混合来实现。使用PSO在初始阶段收集最优解。当产生早熟收敛要出现最终结果时,再使用ACO完成剩余的工作。
本发明所采用的技术方案是:一种基于粒子群算法的多核系统任务调度方法,其特征在于,包括以下步骤:
步骤1:构造任务调度模型,生成有向无环图DAG;
步骤2:初始化基本参数和信息素;
步骤3:更新信息素以计算任务间通信时间和适应度值;
步骤4:生成全局最优解。
本发明与现有技术相比,具有的有益的效果是:
(1)高效性。本实验通过将蚁群算法和粒子群优化算法相结合,在初始阶段利用粒子群优化算法收集最优解,加快迭代速度,然后使用蚁群算法控制信息素的更新,通过不断优化缩短任务调度时间。
(2)低成本性。通过该算法找到最佳任务调度方法,减少通信开销,使系统性能达到最优。
附图说明
图1是本发明实施例的流程图;
图2是本发明实施例中包含8个线程,边上权重表示通信开销的DAG图;
图3是本发明实施例中混合粒子群优化算法HOA和遗传算法GA的性能比较图。
具体实施方式
为了便于本领域普通技术人员理解和实施本发明,下面结合附图及实施例对本发明作进一步的详细描述,应当理解,此处所描述的实施示例仅用于说明和解释本发明,并不用于限定本发明。
请见图1,本发明提供的一种基于粒子群算法的多核系统任务调度方法,包括以下步骤:
步骤1:构造任务调度模型,生成有向无环图DAG;
多核处理器中的所有处理器核构成并行系统,使用有向无环图DAG将任务调度模型转换为数学模型,有向无环图DAG可以描述为G=(V,E,C,W),其中:
V是顶点集合,该集合是有序的任务集{Vi};
E是有向边集{Ei},<Vi,Vj>∈E表示任务的先后执行顺序,Vi在前,Vj在后,
任务Vi没有执行完就不能执行任务Vj;
C表示集合{c(Vi,Vj)},c(Vi,Vj)是端点为Vi和Vj的带有权重的边,其权重表示两个线程之间的通信量和控制相关度,任务Vi是任务Vj的源点;
W是集合{w(Vi,Vj)},表示线程间的通信开销w(Vi,Vj)表示执行任务Vi和任务Vj的两个线程之间的通信所需要的时间,当这两个任务在同一处理器核中运行时,w(Vi,Vj)设置为最小值。
图2是包含8个线程的DAG图。图中,C={c(V1,V3),c(V3,V6),c(V2,V4),c(V4,V6),c(V2,V5),c(V4,V7),c(V5,V7),c(V6,V8),c(V7,V8)};W={w(V1,V3),w(V3,V6),w(V2,V4),w(V4,V6),w(V2,V5),w(V4,V7),w(V5,V7),w(V6,V8),w(V7,V8)}。如V1和V3之间的通信开销为2(w(V1,V3)=2)。
在给定数量的处理器核和任务线程数量下随机生成100个类似以上的DAG图,分别用遗传算法GA和本发明的混合算法HOA分别对DAG图进行任务间通信开销的计算。计算结果如下表1所示:
表1
步骤2:初始化基本参数和信息素;
初始化的基本参数包括迭代次数nc的值,蚂蚁数m和节点数n。
在起始阶段,使用粒子群优化算法PSO收集最优解,将所有的任务通过调度方法分配给相同的B-level核,根据初始解决方案产生合理的调度序列,生成初始信息素分布,并在路径的n节点处添加m蚂蚁的信息素。
在多核处理器的任务调度算法中,X的位置由二进制值组成。当有n个处理器和m个任务线程时,粒子X的位置可以表示为:
其中,Xij的值为1时,表示将线程i分配给处理器核j,Xij的值为0,表示线程可以分配给任意一个处理器核。
步骤3:更新信息素以计算任务间通信时间和适应度值;
步骤3.1:根据当前的位置,计算粒子的适应度值Itsp0,将适应度值设置为个体极值ptbest,计算当前位置的个体极限位置pcbest,根据每个粒子的个体极值ptbest,找出全局极值gtbest和全局极值位置gcbest;
适应度函数f为:
任务分配和实现所需的最大时间为:ti=max(tc,v);其中,tc,v表示处理器核完成任务所需的时间。
步骤3.2:根据蚂蚁移动到下一个节点j的概率,将每个蚂蚁的起始点放置在每个当前解集中,节点j被放置在当前解集中;
蚁群算法的概率迭代算法如下:
其中,k为蚂蚁编号,τij表示将任务i分配给核心j的实时信息素浓度,α和β都表示启发式因素;allowedk表示第k次迭代运行时的候选任务序列集。
步骤3.3:第k只蚂蚁路径c0(f)和全局极值位置gcbest相交获得c'1(f),c'1(f)与个体极限位置pcbest相交得c”1(f),c”1(f)以一定的概率变异到c1(f),根据当前位置计算路径长度Itsp1;
步骤3.4:判断适应度值是否变小;
若是,则更新位置,k=k+1(对下一只蚂蚁进行操作),并执行下述步骤3.5;
若否,则不更新位置,k=k+1,并执行下述步骤3.5;
步骤3.5:判断是否所有的蚂蚁都进行了步骤3.3-3.4操作;
若是,则执行下述步骤3.6;
若否,则回转执行步骤3.3;
步骤3.6:更新信息素,并迭代数加1;
步骤3.7:判断迭代数是否达到最大;
若是,则执行步骤4,本流程结束;
若否,则回转执行步骤3.1。
将粒子群大小(蚂蚁数)m设为30;最大迭代数设为500;w(i)和c(i)取值在1~10之间;λ值为e=2.718的自然指数。图3是利用设定的值取数据平均值进行混合粒子群优化算法HOA和遗传算法GA的比较。
本发明是通过对信息素的有效初始化,将蚁群算法和粒子群算法相结合,同时使用引入遗传算法的交叉变异策略,以高效地实现多核系统的任务调度。本方法实现了缩短任务调度的时间,降低通信成本,弥补单方面算法的不足之处。
应当理解的是,本说明书未详细阐述的部分均属于现有技术。
应当理解的是,上述针对较佳实施例的描述较为详细,并不能因此而认为是对本发明专利保护范围的限制,本领域的普通技术人员在本发明的启示下,在不脱离本发明权利要求所保护的范围情况下,还可以做出替换或变形,均落入本发明的保护范围之内,本发明的请求保护范围应以所附权利要求为准。
Claims (6)
1.一种基于粒子群算法的多核系统任务调度方法,其特征在于,包括以下步骤:
步骤1:构造任务调度模型,生成有向无环图DAG;
步骤2:初始化基本参数和信息素;
步骤3:更新信息素以计算任务间通信时间和适应度值;
步骤4:生成全局最优解。
2.根据权利要求1所述的基于粒子群算法的多核系统任务调度方法,其特征在于:步骤1中,有向无环图DAG为G=(V,E,C,W);
其中,V是顶点集合,该集合是有序的任务集{Vi};E是有向边集{Ei},<Vi,Vj>∈E表示任务的先后执行顺序,Vi在前,Vj在后,任务Vi没有执行完就不能执行任务Vj;C表示集合{c(Vi,Vj)},c(Vi,Vj)是端点为Vi和Vj的带有权重的边,其权重表示两个线程之间的通信量和控制相关度,任务Vi是任务Vj的源点;W是集合{w(Vi,Vj)},表示线程间的通信开销w(Vi,Vj)表示执行任务Vi和任务Vj的两个线程之间的通信所需要的时间,当这两个任务在同一处理器核中运行时,w(Vi,Vj)设置为最小值。
3.根据权利要求1所述的基于粒子群算法的多核系统任务调度方法,其特征在于:步骤2中,基本参数包括迭代次数nc、蚂蚁数m和节点数n;在起始阶段,使用粒子群优化算法PSO收集最优解,将所有的任务通过调度方法分配给相同的处理器内核,根据任务的运行时序产生合理的调度序列,生成初始信息素分布,并将m只蚂蚁置于n个节点上;
在多核处理器的任务调度算法中,粒子X的位置由二进制值组成,系统中有n个处理器和m个任务线程时,则粒子X的位置为:
<mrow>
<mi>X</mi>
<mo>=</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<msub>
<mi>X</mi>
<mn>11</mn>
</msub>
</mtd>
<mtd>
<mo>...</mo>
</mtd>
<mtd>
<msub>
<mi>X</mi>
<mrow>
<mn>1</mn>
<mi>n</mi>
</mrow>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<mtable>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
</mtable>
</mtd>
<mtd>
<mtable>
<mtr>
<mtd>
<mrow></mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow></mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow></mrow>
</mtd>
</mtr>
</mtable>
</mtd>
<mtd>
<mtable>
<mtr>
<mtd>
<mrow></mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow></mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow></mrow>
</mtd>
</mtr>
</mtable>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>X</mi>
<mrow>
<mi>m</mi>
<mn>1</mn>
</mrow>
</msub>
</mtd>
<mtd>
<mo>...</mo>
</mtd>
<mtd>
<msub>
<mi>X</mi>
<mrow>
<mi>m</mi>
<mi>n</mi>
</mrow>
</msub>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
其中,Xij的值为1时,表示将线程i分配给处理器核j,Xij的值为0,表示线程可以分配给任意一个处理器核。
4.根据权利要求1-3任意一项所述的基于粒子群算法的多核系统任务调度方法,其特征在于:步骤3的具体实现包括以下子步骤:
步骤3.1:根据当前的位置,计算粒子的适应度值Itsp0,将适应度值设置为个体极值ptbest,计算当前位置的个体极限位置pcbest,根据每个粒子的个体极值ptbest,找出全局极值gtbest和全局极值位置gcbest;
步骤3.2:根据蚂蚁移动到下一个节点j的概率,将每个蚂蚁的起始点放置在每个当前解集中,节点j被放置在当前解集中;
步骤3.3:第k只蚂蚁路径c0(f)和全局极值位置gcbest相交获得c′1(f),c′1(f)与个体极限位置pcbest相交得c″1(f),c″1(f)以一定的概率变异到c1(f),根据当前位置计算路径长度Itsp1;
步骤3.4:判断适应度值是否变小;
若是,则更新位置,k=k+1(对下一只蚂蚁进行操作),并执行下述步骤3.5;
若否,则不更新位置,k=k+1,并执行下述步骤3.5;
步骤3.5:判断是否所有的蚂蚁都进行了步骤3.3-3.4操作;
若是,则执行下述步骤3.6;
若否,则回转执行步骤3.3;
步骤3.6:更新信息素,并迭代数加1;
步骤3.7:判断迭代数是否达到最大;
若是,则执行步骤4,本流程结束;
若否,则回转执行步骤3.1。
5.根据权利要求4所述的基于粒子群算法的多核系统任务调度方法,其特征在于,步骤3.1中所述的概率为:
<mrow>
<msubsup>
<mi>p</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mi>k</mi>
</msubsup>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mfrac>
<mrow>
<msubsup>
<mi>&tau;</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mi>&alpha;</mi>
</msubsup>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>*</mo>
<msubsup>
<mi>&eta;</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mi>&beta;</mi>
</msubsup>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>&Sigma;</mi>
<mrow>
<mi>s</mi>
<mo>&Element;</mo>
<msub>
<mi>allowed</mi>
<mi>k</mi>
</msub>
</mrow>
</msub>
<msubsup>
<mi>&tau;</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mi>&alpha;</mi>
</msubsup>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>*</mo>
<msubsup>
<mi>&eta;</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mi>&beta;</mi>
</msubsup>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>,</mo>
<mi>j</mi>
<mo>&Element;</mo>
<msub>
<mi>allowed</mi>
<mi>k</mi>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mn>0</mn>
<mo>,</mo>
<mi>o</mi>
<mi>t</mi>
<mi>h</mi>
<mi>e</mi>
<mi>r</mi>
<mi>s</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,k为蚂蚁编号,τij表示将任务i分配给核心j的实时信息素浓度,α和β都表示启发式因素;allowedk表示第k次迭代运行时的候选任务序列集。
6.根据权利要求4所述的基于粒子群算法的多核系统任务调度方法,其特征在于,步骤3.2中,适应度函数f为:
<mrow>
<mi>f</mi>
<mo>=</mo>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mrow>
<mi>n</mi>
<mi>u</mi>
<mi>m</mi>
</mrow>
</munderover>
<msub>
<mi>t</mi>
<mi>i</mi>
</msub>
<mo>;</mo>
</mrow>
任务分配和实现所需的最大时间为:ti=max(tc,v);其中,tc,v表示处理器核完成任务所需的时间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710258882.5A CN107133088A (zh) | 2017-04-19 | 2017-04-19 | 一种基于粒子群算法的多核系统任务调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710258882.5A CN107133088A (zh) | 2017-04-19 | 2017-04-19 | 一种基于粒子群算法的多核系统任务调度方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107133088A true CN107133088A (zh) | 2017-09-05 |
Family
ID=59716684
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710258882.5A Pending CN107133088A (zh) | 2017-04-19 | 2017-04-19 | 一种基于粒子群算法的多核系统任务调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107133088A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107704319A (zh) * | 2017-10-18 | 2018-02-16 | 哈尔滨工程大学 | 改进烟花算法的cmp任务调度方法 |
CN109189205A (zh) * | 2018-09-30 | 2019-01-11 | 武汉理工大学 | 一种异构多核嵌入式实时系统能耗优化调度方法 |
CN109960576A (zh) * | 2019-03-29 | 2019-07-02 | 北京工业大学 | 一种面向cpu-gpu异构的低能耗任务调度策略 |
CN110086855A (zh) * | 2019-03-29 | 2019-08-02 | 江苏开拓信息与系统有限公司 | 基于蚁群算法的Spark任务智能感知调度方法 |
CN110675088A (zh) * | 2019-10-12 | 2020-01-10 | 北京航空航天大学 | 一种数字孪生系统复杂任务高效划分方法 |
CN111190729A (zh) * | 2019-12-25 | 2020-05-22 | 武汉科技大学 | 一种基于异构多核的任务分配方法 |
CN111813525A (zh) * | 2020-07-09 | 2020-10-23 | 西北工业大学 | 一种异构系统工作流调度方法 |
CN117931413A (zh) * | 2024-03-22 | 2024-04-26 | 南京航空航天大学 | 一种测控系统实时任务调度方法、装置及电子设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101452541A (zh) * | 2008-12-31 | 2009-06-10 | 中山大学 | 运用粒子群算法优化动态网格工作流的方法 |
CN101477475A (zh) * | 2008-12-31 | 2009-07-08 | 中山大学 | 运用蚁群算法优化动态网格工作流的方法 |
CN105487920A (zh) * | 2015-10-12 | 2016-04-13 | 沈阳工业大学 | 基于蚁群算法的多核系统实时任务调度的优化方法 |
CN103970609B (zh) * | 2014-04-24 | 2017-03-08 | 南京信息工程大学 | 一种基于改进蚁群算法的云数据中心任务调度方法 |
-
2017
- 2017-04-19 CN CN201710258882.5A patent/CN107133088A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101452541A (zh) * | 2008-12-31 | 2009-06-10 | 中山大学 | 运用粒子群算法优化动态网格工作流的方法 |
CN101477475A (zh) * | 2008-12-31 | 2009-07-08 | 中山大学 | 运用蚁群算法优化动态网格工作流的方法 |
CN103970609B (zh) * | 2014-04-24 | 2017-03-08 | 南京信息工程大学 | 一种基于改进蚁群算法的云数据中心任务调度方法 |
CN105487920A (zh) * | 2015-10-12 | 2016-04-13 | 沈阳工业大学 | 基于蚁群算法的多核系统实时任务调度的优化方法 |
Non-Patent Citations (1)
Title |
---|
辛海奎,: "基于群智能优化算法的云计算任务调度策略研究", 《中国优秀硕士学位论文全文数据库信息科技辑(月刊 )》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107704319A (zh) * | 2017-10-18 | 2018-02-16 | 哈尔滨工程大学 | 改进烟花算法的cmp任务调度方法 |
CN109189205A (zh) * | 2018-09-30 | 2019-01-11 | 武汉理工大学 | 一种异构多核嵌入式实时系统能耗优化调度方法 |
CN109189205B (zh) * | 2018-09-30 | 2021-11-02 | 武汉理工大学 | 一种异构多核嵌入式实时系统能耗优化调度方法 |
CN110086855A (zh) * | 2019-03-29 | 2019-08-02 | 江苏开拓信息与系统有限公司 | 基于蚁群算法的Spark任务智能感知调度方法 |
CN109960576B (zh) * | 2019-03-29 | 2021-04-16 | 北京工业大学 | 一种面向cpu-gpu异构的低能耗任务调度策略 |
CN109960576A (zh) * | 2019-03-29 | 2019-07-02 | 北京工业大学 | 一种面向cpu-gpu异构的低能耗任务调度策略 |
CN110086855B (zh) * | 2019-03-29 | 2021-11-05 | 江苏开拓信息与系统有限公司 | 基于蚁群算法的Spark任务智能感知调度方法 |
CN110675088A (zh) * | 2019-10-12 | 2020-01-10 | 北京航空航天大学 | 一种数字孪生系统复杂任务高效划分方法 |
CN110675088B (zh) * | 2019-10-12 | 2020-10-09 | 北京航空航天大学 | 一种数字孪生系统复杂任务高效划分方法 |
CN111190729A (zh) * | 2019-12-25 | 2020-05-22 | 武汉科技大学 | 一种基于异构多核的任务分配方法 |
CN111813525A (zh) * | 2020-07-09 | 2020-10-23 | 西北工业大学 | 一种异构系统工作流调度方法 |
CN111813525B (zh) * | 2020-07-09 | 2024-05-03 | 西北工业大学 | 一种异构系统工作流调度方法 |
CN117931413A (zh) * | 2024-03-22 | 2024-04-26 | 南京航空航天大学 | 一种测控系统实时任务调度方法、装置及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107133088A (zh) | 一种基于粒子群算法的多核系统任务调度方法 | |
Akhand et al. | Discrete spider monkey optimization for travelling salesman problem | |
Janardhanan et al. | Metaheuristic algorithms for balancing robotic assembly lines with sequence-dependent robot setup times | |
Tasgetiren et al. | Particle swarm optimization algorithm for single machine total weighted tardiness problem | |
Nie et al. | A GEP-based reactive scheduling policies constructing approach for dynamic flexible job shop scheduling problem with job release dates | |
US8504496B2 (en) | Systems and methods for an application program interface to an evolutionary software program | |
CN108846570A (zh) | 一种解决资源受限项目调度问题的方法 | |
Saif et al. | Multi-objective artificial bee colony algorithm for simultaneous sequencing and balancing of mixed model assembly line | |
CN106802553A (zh) | 一种基于强化学习的铁路机车运行操控系统混合任务调度方法 | |
CN113792924A (zh) | 一种基于Deep Q-network深度强化学习的单件作业车间调度方法 | |
CN107704319A (zh) | 改进烟花算法的cmp任务调度方法 | |
Zhang et al. | A hybrid intelligent algorithm and rescheduling technique for job shop scheduling problems with disruptions | |
Gu et al. | Low-carbon job shop scheduling problem with discrete genetic-grey wolf optimization algorithm | |
CN103226759A (zh) | 基于遗传算法的动态云工作流调度方法 | |
CN105976122A (zh) | 一种多目标资源配置系统 | |
Chraibi et al. | Makespan optimisation in cloudlet scheduling with improved DQN algorithm in cloud computing | |
Martinez-Soto et al. | Fuzzy logic controllers optimization using genetic algorithms and particle swarm optimization | |
CN111488981A (zh) | 基于高斯分布估计选取深度网络参数稀疏阈值的方法 | |
CN105976052A (zh) | 基于改进量子粒子群算法的多区域经济调度方法 | |
CN116209084A (zh) | 一种能量收集mec系统中任务卸载和资源分配方法 | |
CN112446484A (zh) | 一种多任务训练集群智能网络系统及集群网络优化方法 | |
Han et al. | Swarm intelligent algorithm for re-entrant hybrid flow shop scheduling problems | |
CN115756646A (zh) | 一种基于工业互联网的边缘计算任务卸载优化方法 | |
Luo et al. | A hybrid approach of ordinal optimization and iterated local search for manufacturing cell formation | |
Bożejko et al. | Parallel genetic algorithm for the flow shop scheduling problem |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170905 |
|
RJ01 | Rejection of invention patent application after publication |