CN115756792A - 适用于智能排程系统的cpu并行加速方法和系统 - Google Patents

适用于智能排程系统的cpu并行加速方法和系统 Download PDF

Info

Publication number
CN115756792A
CN115756792A CN202211461191.2A CN202211461191A CN115756792A CN 115756792 A CN115756792 A CN 115756792A CN 202211461191 A CN202211461191 A CN 202211461191A CN 115756792 A CN115756792 A CN 115756792A
Authority
CN
China
Prior art keywords
chromosomes
chromosome
fitness
calculation
scheduling
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
Application number
CN202211461191.2A
Other languages
English (en)
Inventor
夏雪松
宋健海
黎子彤
孙海燕
刘嘉琦
沈春锋
胡兵
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Baosight Software Co Ltd
Original Assignee
Shanghai Baosight Software Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Baosight Software Co Ltd filed Critical Shanghai Baosight Software Co Ltd
Priority to CN202211461191.2A priority Critical patent/CN115756792A/zh
Publication of CN115756792A publication Critical patent/CN115756792A/zh
Priority to PCT/CN2023/123764 priority patent/WO2024104003A1/zh
Pending legal-status Critical Current

Links

Images

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Strategic Management (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Genetics & Genomics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Development Economics (AREA)
  • Computing Systems (AREA)
  • Educational Administration (AREA)
  • Artificial Intelligence (AREA)
  • Game Theory and Decision Science (AREA)
  • Physiology (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Multi Processors (AREA)

Abstract

本发明提供了一种适用于智能排程系统的CPU并行加速方法和系统，将基于启发式算法产生的大量排程方案通过CPU并行化的计算方式快速完成适应度函数的计算，不受问题规模的限制，可通过配置并行线程数量，在算力充足的计算机上获得更高的计算效率，具有更好的拓展性。

Description

适用于智能排程系统的CPU并行加速方法和系统
技术领域
本发明涉及排程技术领域，具体地，涉及适用于智能排程系统的CPU并行加速方法和系统。
背景技术
专利文献CN103530742A公开了一种提高排程运算速度的方法及装置，包括：为各工序任务分配对应的执行资源，并按照执行优先级排列各工序任务，得到各执行资源分别对应的工序任务列表；按照所述工序任务列表，由对应的所述执行资源并行对所述工序任务进行排程运算。
该专利文献CN103530742A是通过预先限制工序任务的执行资源来缩小排程方案的搜索范围，将排程任务分解为多个子任务分别处理。但是，该专利文献CN103530742A的并行资源数量受排程问题的执行资源数量限制，无法在具有更多处理器的计算机上增加并行数量。
发明内容
针对现有技术中的缺陷，本发明的目的是提供一种适用于智能排程系统的CPU并行加速方法和系统。
根据本发明提供的一种适用于智能排程系统的CPU并行加速方法，将排程方案通过CPU并行化的计算方式完成适应度函数的计算，得到排程解。
优选地，包括：
步骤S1：创建t个线程作为计算单元；其中，t表示并行计算单元数量；
步骤S2：创建Θ个线程作为变异提交单元8，在所述变异提交单元8内分别分配父染色体内存；其中，Θ表示种群染色体数量；
步骤S3：所述变异提交单元8中的父染色体分别初始化；
步骤S4：所述变异提交单元8中的父染色体通过变异或交叉产生了一批子染色体2，在子染色体2中记录此时的父染色体版本号；
步骤S5：按照子染色体2的生成顺序放入到适应度计算队列3，若适应度计算队列3中的待计算的子染色体数量已达到λ，则等待；其中，λ表示最大子染色体数量；
步骤S6：空闲的计算单元4从队列中获取待计算的子染色体，确认其父染色体的版本号与子染色体记录的一致，并计算其适应度，记为xi，若版本号不一致说明父染色体已被更新淘汰，放弃本次计算并返回步骤S3；
步骤S7：当完成计算的子染色体5数量达到λ,或适应度计算队列3内已没有更多的染色体时，将种群传递给淘汰器6；
步骤S8：淘汰器6将当前种群中的染色体按照适应度从高到低排序，保留前
Figure BDA0003955445830000023
Figure BDA0003955445830000024
个染色体，其中，所述当前种群中的染色体包括父染色体和子染色体，染色体总数量N≤Θ+λ，α表示淘汰器竞争系数，0≤α≤1；
将剩余的染色体记为C，剩余的染色体C的适应度通过softmax函数计算其采纳概率：
Figure BDA0003955445830000021
通过轮盘赌算法选取出剩余的
Figure BDA0003955445830000022
个染色体，将其余染色体淘汰掉；
步骤S9：新一代染色体作为新的父染色体，版本号+1，返回步骤S3执行，直到种群的最高适应度不再提升或达到了预设的最大迭代次数；
步骤S10：中断所有变异提交单元8和计算单元4，从最后一代种群中选取适应度最高的染色体作为排程解。
优选地，多线程计算单元相互独立，计算单元间竞争获取计算任务。
根据本发明提供的一种排程方法，通过所述的适用于智能排程系统的CPU并行加速方法得到排程解，按照所述排程解进行排程。
根据本发明提供的一种适用于智能排程系统的CPU并行加速系统，将排程方案通过CPU并行化的计算方式完成适应度函数的计算，得到排程解。
优选地，包括：
模块M1：创建t个线程作为计算单元；其中，t表示并行计算单元数量；
模块M2：创建Θ个线程作为变异提交单元8，在所述变异提交单元8内分别分配父染色体内存；其中，Θ表示种群染色体数量；
模块M3：所述变异提交单元8中的父染色体分别初始化；
模块M4：所述变异提交单元8中的父染色体通过变异或交叉产生了一批子染色体2，在子染色体2中记录此时的父染色体版本号；
模块M5：按照子染色体2的生成顺序放入到适应度计算队列3，若适应度计算队列3中的待计算的子染色体数量已达到λ，则等待；其中，λ表示最大子染色体数量；
模块M6：空闲的计算单元4从队列中获取待计算的子染色体，确认其父染色体的版本号与子染色体记录的一致，并计算其适应度，记为xi，若版本号不一致说明父染色体已被更新淘汰，放弃本次计算并返回模块M3；
模块M7：当完成计算的子染色体5数量达到λ,或适应度计算队列3内已没有更多的染色体时，将种群传递给淘汰器6；
模块M8：淘汰器6将当前种群中的染色体按照适应度从高到低排序，保留前
Figure BDA0003955445830000033
Figure BDA0003955445830000034
个染色体，其中，所述当前种群中的染色体包括父染色体和子染色体，染色体总数量N≤Θ+λ，α表示淘汰器竞争系数，0≤α≤1；
将剩余的染色体记为C，剩余的染色体C的适应度通过softmax函数计算其采纳概率：
Figure BDA0003955445830000031
通过轮盘赌算法选取出剩余的
Figure BDA0003955445830000032
个染色体，将其余染色体淘汰掉；
模块M9：新一代染色体作为新的父染色体，版本号+1，返回模块M3执行，直到种群的最高适应度不再提升或达到了预设的最大迭代次数；
模块M10：中断所有变异提交单元8和计算单元4，从最后一代种群中选取适应度最高的染色体作为排程解。
优选地，多线程计算单元相互独立，计算单元间竞争获取计算任务。
根据本发明提供的一种排程系统，通过所述的适用于智能排程系统的CPU并行加速系统得到排程解，按照所述排程解进行排程。
与现有技术相比，本发明具有如下的有益效果：
1、本发明通过多线程计算单元结构，解决了大量子染色体需要计算适应度的耗时问题，提高了排程算法的计算效率；
2、本发明通过采用变异提交单元、公共队列、和相互独立的计算单元间竞争获取计算任务的模式，解决了计算资源无法被有效均衡分配的问题，使计算速度快的单元能够完成更多的计算任务，进一步提高了排程算法的计算效率；
3、本发明通过采用染色体版本号检查机制，解决了重复计算已被淘汰的染色体的问题，节省了计算量，进一步提高了计算效率；
4、本发明通过采用淘汰器机制，解决了染色体数量指数级扩张的问题，控制了算法的计算量；
5、本发明通过采用淘汰器竞争系数，保留了更多解的可能性，解决了算法容易陷入局部最优的问题。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1为本发明的工作原理示意图。
图中示出：
初始排程方案1(对应遗传算法中的父染色体)
调整后的方案2(对应遗传算法中的子染色体)
适应度计算队列3
计算单元4(线程)
完成适应度计算的染色体5
淘汰器6
种群7
变异提交单元8(线程)
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。
本发明将基于启发式算法产生的大量排程方案通过CPU并行化的计算方式快速完成适应度函数的计算，不受问题规模的限制，可通过配置并行线程数量，在算力充足的计算机上获得更高的计算效率，具有更好的拓展性。
本发明适用于遗传算法或其他针对排程问题的启发式方法。此处以遗传算法为例，介绍本发明的工作流程。
本发明使用的超参数包括：
·并行计算单元数量t；
·种群染色体数量Θ；
·最大子染色体数量λ；
·淘汰器竞争系数α，0≤α≤1。
本发明的工作流程，包括：
步骤S1：创建t个线程作为计算单元；
步骤S2：创建Θ个线程作为变异提交单元8，在所述变异提交单元8内分别分配父染色体内存；
步骤S3：所述变异提交单元8中的父染色体分别初始化；
步骤S4：所述变异提交单元8中的父染色体通过变异或交叉产生了一批子染色体2，在子染色体2中记录此时的父染色体版本号，注意此步骤中，所述各变异提交单元8并行独立执行；
步骤S5：按照子染色体2的生成顺序将其放入到适应度计算队列3，若适应度计算队列3中的待计算的子染色体数量已达到λ，则等待；
步骤S6：空闲的计算单元4从队列中获取待计算的子染色体，确认其父染色体的版本号与子染色体记录的一致，并计算其适应度，记为xi，若版本号不一致说明父染色体已被更新淘汰，放弃本次计算并返回步骤S3；
步骤S7：当完成计算的子染色体5数量达到λ,或适应度计算队列3内已没有更多的染色体时，将种群传递给淘汰器6；
步骤S8：淘汰器6将当前种群中的染色体(包括父染色体和子染色体，总数量N≤Θ+λ)按照适应度从高到低排序，保留前
Figure BDA0003955445830000051
个染色体，将剩余的染色体(记为C)的适应度通过softmax函数计算其采纳概率：
Figure BDA0003955445830000052
通过轮盘赌算法选取出剩余的
Figure BDA0003955445830000053
个染色体，将其余染色体淘汰掉。
步骤S9：新一代染色体作为新的父染色体，版本号+1，返回步骤S3执行，直到种群的最高适应度不再提升或达到了预设的最大迭代次数。
步骤S10：中断所有变异提交单元8和计算单元4，从最后一代种群中选取适应度最高的染色体作为排程解。
本发明还提供一种适用于智能排程系统的CPU并行加速系统，本领域技术人员可以通过执行所述适用于智能排程系统的CPU并行加速方法的步骤流程实现所述适用于智能排程系统的CPU并行加速系统，即可以将所述适用于智能排程系统的CPU并行加速方法理解为所述适用于智能排程系统的CPU并行加速系统的优选实施方式。
根据本发明提供的一种适用于智能排程系统的CPU并行加速系统，将排程方案通过CPU并行化的计算方式完成适应度函数的计算，得到排程解。
优选地，包括：
模块M1：创建t个线程作为计算单元；其中，t表示并行计算单元数量；
模块M2：创建Θ个线程作为变异提交单元8，在所述变异提交单元8内分别分配父染色体内存；其中，Θ表示种群染色体数量；
模块M3：所述变异提交单元8中的父染色体分别初始化；
模块M4：所述变异提交单元8中的父染色体通过变异或交叉产生了一批子染色体2，在子染色体2中记录此时的父染色体版本号；
模块M5：按照子染色体2的生成顺序放入到适应度计算队列3，若适应度计算队列3中的待计算的子染色体数量已达到λ，则等待；其中，λ表示最大子染色体数量；
模块M6：空闲的计算单元4从队列中获取待计算的子染色体，确认其父染色体的版本号与子染色体记录的一致，并计算其适应度，记为xi，若版本号不一致说明父染色体已被更新淘汰，放弃本次计算并返回模块M3；
模块M7：当完成计算的子染色体5数量达到λ,或适应度计算队列3内已没有更多的染色体时，将种群传递给淘汰器6；
模块M8：淘汰器6将当前种群中的染色体按照适应度从高到低排序，保留前
Figure BDA0003955445830000063
Figure BDA0003955445830000064
个染色体，其中，所述当前种群中的染色体包括父染色体和子染色体，染色体总数量N≤Θ+λ，α表示淘汰器竞争系数，0≤α≤1；
将剩余的染色体记为C，剩余的染色体C的适应度通过softmax函数计算其采纳概率：
Figure BDA0003955445830000061
通过轮盘赌算法选取出剩余的
Figure BDA0003955445830000062
个染色体，将其余染色体淘汰掉；
模块M9：新一代染色体作为新的父染色体，版本号+1，返回模块M3执行，直到种群的最高适应度不再提升或达到了预设的最大迭代次数；
模块M10：中断所有变异提交单元8和计算单元4，从最后一代种群中选取适应度最高的染色体作为排程解。
多线程计算单元相互独立，计算单元间竞争获取计算任务。
根据本发明提供的一种排程系统，通过所述的适用于智能排程系统的CPU并行加速系统得到排程解，按照所述排程解进行排程。
本领域技术人员知道，除了以纯计算机可读程序代码方式实现本发明提供的系统、装置及其各个模块以外，完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统、装置及其各个模块以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同程序。所以，本发明提供的系统、装置及其各个模块可以被认为是一种硬件部件，而对其内包括的用于实现各种程序的模块也可以视为硬件部件内的结构；也可以将用于实现各种功能的模块视为既可以是实现方法的软件程序又可以是硬件部件内的结构。
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。

Claims (8)

1.一种适用于智能排程系统的CPU并行加速方法，其特征在于，将排程方案通过CPU并行化的计算方式完成适应度函数的计算，得到排程解。
2.根据权利要求1所述的适用于智能排程系统的CPU并行加速方法，其特征在于，包括：
步骤S1：创建t个线程作为计算单元；其中，t表示并行计算单元数量；
步骤S2：创建Θ个线程作为变异提交单元(8)，在所述变异提交单元(8)内分别分配父染色体内存；其中，Θ表示种群染色体数量；
步骤S3：所述变异提交单元(8)中的父染色体分别初始化；
步骤S4：所述变异提交单元(8)中的父染色体通过变异或交叉产生了一批子染色体(2)，在子染色体(2)中记录此时的父染色体版本号；
步骤S5：按照子染色体(2)的生成顺序放入到适应度计算队列(3)，若适应度计算队列(3)中的待计算的子染色体数量已达到λ，则等待；其中，λ表示最大子染色体数量；
步骤S6：空闲的计算单元(4)从队列中获取待计算的子染色体，确认其父染色体的版本号与子染色体记录的一致，并计算其适应度，记为xi，若版本号不一致说明父染色体已被更新淘汰，放弃本次计算并返回步骤S3；
步骤S7：当完成计算的子染色体(5)数量达到λ,或适应度计算队列(3)内已没有更多的染色体时，将种群传递给淘汰器(6)；
步骤S8：淘汰器(6)将当前种群中的染色体按照适应度从高到低排序，保留前
Figure FDA0003955445820000012
个染色体，其中，所述当前种群中的染色体包括父染色体和子染色体，染色体总数量N≤Θ+λ，α表示淘汰器竞争系数，0≤α≤1；
将剩余的染色体记为C，剩余的染色体C的适应度通过softmax函数计算其采纳概率：
Figure FDA0003955445820000011
通过轮盘赌算法选取出剩余的
Figure FDA0003955445820000013
个染色体，将其余染色体淘汰掉；
步骤S9：新一代染色体作为新的父染色体，版本号+1，返回步骤S3执行，直到种群的最高适应度不再提升或达到了预设的最大迭代次数；
步骤S10：中断所有变异提交单元(8)和计算单元(4)，从最后一代种群中选取适应度最高的染色体作为排程解。
3.根据权利要求2所述的适用于智能排程系统的CPU并行加速方法，其特征在于，多线程计算单元相互独立，计算单元间竞争获取计算任务。
4.一种排程方法，其特征在于，通过权利要求1至3中任一项所述的适用于智能排程系统的CPU并行加速方法得到排程解，按照所述排程解进行排程。
5.一种适用于智能排程系统的CPU并行加速系统，其特征在于，将排程方案通过CPU并行化的计算方式完成适应度函数的计算，得到排程解。
6.根据权利要求5所述的适用于智能排程系统的CPU并行加速系统，其特征在于，包括：
模块M1：创建t个线程作为计算单元；其中，t表示并行计算单元数量；
模块M2：创建Θ个线程作为变异提交单元(8)，在所述变异提交单元(8)内分别分配父染色体内存；其中，Θ表示种群染色体数量；
模块M3：所述变异提交单元(8)中的父染色体分别初始化；
模块M4：所述变异提交单元(8)中的父染色体通过变异或交叉产生了一批子染色体(2)，在子染色体(2)中记录此时的父染色体版本号；
模块M5：按照子染色体(2)的生成顺序放入到适应度计算队列(3)，若适应度计算队列(3)中的待计算的子染色体数量已达到λ，则等待；其中，λ表示最大子染色体数量；
模块M6：空闲的计算单元(4)从队列中获取待计算的子染色体，确认其父染色体的版本号与子染色体记录的一致，并计算其适应度，记为xi，若版本号不一致说明父染色体已被更新淘汰，放弃本次计算并返回模块M3；
模块M7：当完成计算的子染色体(5)数量达到λ,或适应度计算队列(3)内已没有更多的染色体时，将种群传递给淘汰器(6)；
模块M8：淘汰器(6)将当前种群中的染色体按照适应度从高到低排序，保留前
Figure FDA0003955445820000022
个染色体，其中，所述当前种群中的染色体包括父染色体和子染色体，染色体总数量N≤Θ+λ，α表示淘汰器竞争系数，0≤α≤1；
将剩余的染色体记为C，剩余的染色体C的适应度通过softmax函数计算其采纳概率：
Figure FDA0003955445820000021
通过轮盘赌算法选取出剩余的
Figure FDA0003955445820000031
个染色体，将其余染色体淘汰掉；
模块M9：新一代染色体作为新的父染色体，版本号+1，返回模块M3执行，直到种群的最高适应度不再提升或达到了预设的最大迭代次数；
模块M10：中断所有变异提交单元(8)和计算单元(4)，从最后一代种群中选取适应度最高的染色体作为排程解。
7.根据权利要求6所述的适用于智能排程系统的CPU并行加速系统，其特征在于，多线程计算单元相互独立，计算单元间竞争获取计算任务。
8.一种排程系统，其特征在于，通过权利要求5至6中任一项所述的适用于智能排程系统的CPU并行加速系统得到排程解，按照所述排程解进行排程。
CN202211461191.2A 2022-11-16 2022-11-16 适用于智能排程系统的cpu并行加速方法和系统 Pending CN115756792A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202211461191.2A CN115756792A (zh) 2022-11-16 2022-11-16 适用于智能排程系统的cpu并行加速方法和系统
PCT/CN2023/123764 WO2024104003A1 (zh) 2022-11-16 2023-10-10 适用于智能排程系统的cpu并行加速方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211461191.2A CN115756792A (zh) 2022-11-16 2022-11-16 适用于智能排程系统的cpu并行加速方法和系统

Publications (1)

Publication Number Publication Date
CN115756792A true CN115756792A (zh) 2023-03-07

Family

ID=85334401

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211461191.2A Pending CN115756792A (zh) 2022-11-16 2022-11-16 适用于智能排程系统的cpu并行加速方法和系统

Country Status (2)

Country Link
CN (1) CN115756792A (zh)
WO (1) WO2024104003A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024104003A1 (zh) * 2022-11-16 2024-05-23 上海宝信软件股份有限公司 适用于智能排程系统的cpu并行加速方法和系统

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH07230443A (ja) * 1994-02-18 1995-08-29 Nippon Steel Corp 染色体の割当て方法および装置
JP2000040106A (ja) * 1998-07-22 2000-02-08 Zexel Corp 生産システムの工程編成方法及び生産システムの工程編成装置並びに生産システムの工程編成プログラムを記録した記録媒体
CN112348323A (zh) * 2020-10-23 2021-02-09 浙江中烟工业有限责任公司 一种多目标的能源供应与作业柔性排程方法
CN113139710B (zh) * 2021-01-05 2022-03-08 中国电子科技集团公司第二十九研究所 一种基于遗传算法的多资源并行任务高级计划排程方法
CN115756792A (zh) * 2022-11-16 2023-03-07 上海宝信软件股份有限公司 适用于智能排程系统的cpu并行加速方法和系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024104003A1 (zh) * 2022-11-16 2024-05-23 上海宝信软件股份有限公司 适用于智能排程系统的cpu并行加速方法和系统

Also Published As

Publication number Publication date
WO2024104003A1 (zh) 2024-05-23

Similar Documents

Publication Publication Date Title
CN110231986B (zh) 基于多fpga的动态可重配置的多任务调度和放置方法
CN112711478B (zh) 基于神经网络的任务处理方法、装置、服务器和存储介质
US20190303196A1 (en) Method and apparatus for automatically scheduling jobs in computer numerical control machines using machine learning approaches
WO2024104003A1 (zh) 适用于智能排程系统的cpu并行加速方法和系统
US20200371835A1 (en) Method And Apparatus For Scheduling Matrix Operations In Digital Processing Systems
CN112231081B (zh) 云环境下基于pso-ahp的单调速率资源调度方法及系统
CN111708639A (zh) 任务调度系统及方法、存储介质及电子设备
Gang et al. Deadlock-free scheduling strategy for automated production cell
Krömer et al. A comparison of many-threaded differential evolution and genetic algorithms on CUDA
Naik et al. A review of adaptive approaches to MapReduce scheduling in heterogeneous environments
US8281313B1 (en) Scheduling computer processing jobs that have stages and precedence constraints among the stages
CN112463334B (zh) 一种训练任务排队原因分析方法、系统、设备以及介质
CN116451585A (zh) 基于目标检测模型的自适应实时学习任务调度方法
Morchdi et al. A Resource-efficient Task Scheduling System using Reinforcement Learning
CN113222099A (zh) 卷积运算方法及芯片
CN116069461A (zh) 动态分片的自适应任务调度方法和系统
Al Maruf et al. Optimizing DNNs Model Partitioning for Enhanced Performance on Edge Devices.
WO2023015787A1 (zh) 一种高吞吐云计算资源回收系统
Pemasinghe et al. Comparison of CPU scheduling algorithms: FCFS, SJF, SRTF, Round Robin, priority based, and multilevel queuing
CN115033374A (zh) 一种多核可编程控制器的任务到线程匹配方法
CN108920269B (zh) 容器的i/o传输任务的调度方法和装置
Dong et al. A general analysis framework for soft real-time tasks
CN115794322A (zh) 一种面向大型移动设备移动数据中心的任务调度方法
Gao et al. An effective memetic algorithm for the distributed integrated scheduling of tree-structured products
CN113010319A (zh) 混合启发式规则和遗传算法的动态工作流调度优化方法

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