CN117931413A - 一种测控系统实时任务调度方法、装置及电子设备 - Google Patents
一种测控系统实时任务调度方法、装置及电子设备 Download PDFInfo
- Publication number
- CN117931413A CN117931413A CN202410329903.8A CN202410329903A CN117931413A CN 117931413 A CN117931413 A CN 117931413A CN 202410329903 A CN202410329903 A CN 202410329903A CN 117931413 A CN117931413 A CN 117931413A
- Authority
- CN
- China
- Prior art keywords
- scheduling
- measurement
- control system
- task
- iteration
- 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.)
- Granted
Links
- 238000005259 measurement Methods 0.000 title claims abstract description 67
- 238000000034 method Methods 0.000 title claims abstract description 39
- 239000002245 particle Substances 0.000 claims abstract description 81
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 45
- 238000004891 communication Methods 0.000 claims description 15
- 239000013598 vector Substances 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000000977 initiatory effect Effects 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000005265 energy consumption Methods 0.000 description 9
- 238000005457 optimization Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 8
- 230000009471 action Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 3
- 238000003780 insertion Methods 0.000 description 3
- 230000037431 insertion Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明的目的是提供一种测控系统实时任务调度方法、装置及电子设备,涉及计算机控制技术领域,方法包括:获取实时任务信息和测控系统的异构处理器信息;根据实时任务信息和测控系统的异构处理器信息,构建调度时长模型;基于变邻域搜索策略,利用离散粒子群调度算法,得到调度时长模型的最优调度解;根据最优调度解控制测控系统。本发明基于变邻域搜索策略和离散粒子群调度算法求解测控系统调度问题,能够提高测控系统实时任务调度的合理性。
Description
技术领域
本发明涉及计算机控制技术领域,特别是涉及一种测控系统实时任务调度方法、装置及电子设备。
背景技术
测控系统是一种典型的异构多处理器系统,在保证各项测试任务在截止期限之前完成的前提下,任务的耦合程度、系统的低能耗目标等,给测控系统的实时调度策略带来困难。因此在地面测控系统中,完善实时任务的调度机制是一项不可或缺的研究内容,以满足越来越复杂的内部组件和动态变化的外部环境对多处理器系统任务调度提出的新要求。为满足不同的测试需求,测控系统硬件平台通常由通用处理器核和专用处理器核构成,不同的任务在不同的处理器核上执行效率不同,任务执行所消耗的时间和能量也有差异。与单处理器相比,实时任务在多处理器平台上的调度需要考虑处理器间迁移、通信等行为,系统能耗也相应的越来越高,高能耗带来的高热量会影响处理器的使用寿命,同时也会造成资源的浪费。因此,正确安排任务的调度顺序和分配合适的处理器对于测控系统来讲是至关重要的。
现有的低能耗调度算法往往忽略各任务间的通信传输关系,即实时任务间不存在依赖关系。另外,一些调度算法牺牲一部分运行速率,来提升节能效果和调度成功率,不满足测控系统快速测试的约束条件,故需对调度方法进行合理筛选与改进。
发明内容
本发明的目的是提供一种测控系统实时任务调度方法、装置及电子设备,能够提高测控系统实时任务调度的合理性。
为实现上述目的,本发明提供了如下方案:
一种测控系统实时任务调度方法,包括:
获取实时任务信息和测控系统的异构处理器信息;
根据实时任务信息和测控系统的异构处理器信息,构建调度时长模型;
基于变邻域搜索策略,利用离散粒子群调度算法,得到调度时长模型的最优调度解;
根据所述最优调度解控制所述测控系统。
可选的,所述根据实时任务信息和测控系统的异构处理器信息,构建调度时长模型,包括:
采用有向无环图描述实时任务信息;
采用向量集合描述测控系统的异构处理器信息;
基于所述采用有向无环图和所述向量集合,构建调度时长模型。
可选的,所述调度时长模型为:
;
其中,表示任务集T的调度时长;/>表示任务/>的最早完成时间;/>;/>表示任务/>的最早开始时间;/>表示任务/>在供电电压为/>的异构处理器/>上的计算时间;/>;/>表示任务/>的计算成本;表示异构处理器/>第r个电压供应水平对应的频率;;/>表示有向无环图中的入口任务;表示异构处理器/>上任务的最早开始执行时间;/>表示任务/>的最早完成时间;为数据从分配给异构处理器/>的任务/>上传输到分配给异构处理器/>的任务/>上所需要的通信时间;/>;/>表示异构处理器/>的通信启动成本;/>表示任务/>与任务/>之间的通信成本;/>表示异构处理器与异构处理器/>之间的数据传输速率。
可选的,基于变邻域搜索策略,利用离散粒子群调度算法,得到调度时长模型的最优调度解,包括:
初始化粒子群;
确定初始化后的粒子群为第0次迭代时粒子群;
令全局迭代次数i=1;
更新第i-1次迭代时粒子群中粒子的速度和位置,得到第i次迭代时粒子群;
确定第i次迭代时粒子群的适应度值;
根据第i次迭代时粒子群的适应度值,确定第i次迭代时粒子群的全局最优解和每个粒子的个体最优解;
利于变邻域搜索策略,更新第i次迭代时粒子群的全局最优解对应的个体最优解;
令全局迭代次数i的数值增加1,并返回步骤“更新第i-1次迭代时粒子群中粒子的速度和位置,得到第i次迭代时粒子群”直至全局迭代次数i达到全局迭代次数阈值,确定全局最优解对应的个体最优解为调度时长模型的最优调度解。
可选的,利于变邻域搜索策略,更新第i次迭代时粒子群的全局最优解对应的个体最优解,包括:
确定多种邻域结构;
确定第i次迭代时粒子群的全局最优解对应的个体最优解为第0次迭代时的个体最优解;
令局部迭代次数k=1;
根据所述邻域结构随机产生一个待定解;
分别确定待定解和第k-1次迭代时的个体最优解的个体适应度;
确定最大个体适应度对应的解为第k次迭代时的个体最优解;所述解为待定解或第k-1次迭代时的个体最优解;
令局部迭代次数k的数值增加1,并返回步骤“根据所述邻域结构随机产生一个待定解”直至局部迭代次数k得到局部迭代次数阈值,确定第k次迭代时的个体最优解为更新后的第i次迭代时粒子群的全局最优解对应的个体最优解。
一种测控系统实时任务调度装置,包括:
信息获取模块,用于获取实时任务信息和测控系统的异构处理器信息;
调度时长模型构建模块,用于根据实时任务信息和测控系统的异构处理器信息,构建调度时长模型;
最优调度解确定模块,用于基于变邻域搜索策略,利用离散粒子群调度算法,得到调度时长模型的最优调度解;
测控系统调度模块,用于根据所述最优调度解控制所述测控系统。
一种电子设备,包括存储器及处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使所述电子设备执行所述的一种测控系统实时任务调度方法。
可选的,所述存储器为可读存储介质。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明提供的一种测控系统实时任务调度方法、装置及电子设备,获取实时任务信息,建立任务调度的系统模型与能耗模型;设计离散粒子群调度算法,利用该算法进行全局搜索,得到任务调度序列及处理器需要配置的供电电压;设计算法的编码规则和粒子的更新规则;设计变邻域搜索策略,通过插入、交换和移动等邻域动作拓展搜索范围,优化算法的局部搜索能力。本发明考虑了测控系统实时任务的周期性依赖关系,解决了多处理器间调度效率低、系统能耗大的问题。由于任务集的耦合特性会使得处理器内核负载不平衡,影响测控系统任务调度顺序的安排和处理器的分配,本发明在研究低能耗调度问题时考虑了实时任务之间的依赖约束;结合变邻域搜索算法的混合离散粒子群优化算法,在任务调度中可以有效平衡全局探索和局部优化;采用线性变化的调整方法动态更新惯性权重参数,使得算法在开始表现出良好的全局寻优效果,后期表现出良好的局部寻优效果,能够提高测控系统实时任务调度的合理性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例1中测控系统实时任务调度方法流程图;
图2为本发明实施例1中测控系统实时任务调度方法原理图;
图3为本发明实施例1中有向无环图示意图;
图4为本发明实施例1中处理器个数为4时三种算法的调度结果对比图;
图5为本发明实施例1中处理器个数为6时三种算法的调度结果对比图;
图6为本发明实施例1中处理器个数为8时三种算法的调度结果对比图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种测控系统实时任务调度方法、装置及电子设备,能够提高测控系统实时任务调度的合理性。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例1:
如图1所示,本实施例提供了一种测控系统实时任务调度方法,包括:
步骤101:获取实时任务信息和测控系统的异构处理器信息。
步骤102:根据实时任务信息和测控系统的异构处理器信息,构建调度时长模型。
步骤103:基于变邻域搜索策略,利用离散粒子群调度算法,得到调度时长模型的最优调度解。
步骤104:根据最优调度解控制测控系统。
步骤101,包括:
步骤101-1:采用有向无环图描述实时任务信息。
步骤101-2:采用向量集合描述测控系统的异构处理器信息。
步骤101-3:基于采用有向无环图和向量集合,构建调度时长模型。
其中,调度时长模型为:
。
其中,表示任务集T的调度时长。/>表示任务/>的最早完成时间。/>。/>表示任务/>的最早开始时间。/>表示任务/>在供电电压为/>的异构处理器/>上的计算时间。/>。/>表示任务/>的计算成本。表示异构处理器/>第r个电压供应水平对应的频率。。/>表示有向无环图中的入口任务。表示异构处理器/>上任务的最早开始执行时间。/>表示任务/>的最早完成时间。为数据从分配给异构处理器/>的任务/>上传输到分配给异构处理器/>的任务/>上所需要的通信时间。/>。/>表示异构处理器/>的通信启动成本。/>表示任务/>与任务/>之间的通信成本。/>表示异构处理器与异构处理器/>之间的数据传输速率。
步骤103,包括:
步骤103-1:初始化粒子群。
步骤103-2:确定初始化后的粒子群为第0次迭代时粒子群。
步骤103-3:令全局迭代次数i=1。
步骤103-4:更新第i-1次迭代时粒子群中粒子的速度和位置,得到第i次迭代时粒子群。
步骤103-5:确定第i次迭代时粒子群的适应度值。
步骤103-6:根据第i次迭代时粒子群的适应度值,确定第i次迭代时粒子群的全局最优解和每个粒子的个体最优解。
步骤103-7:利于变邻域搜索策略,更新第i次迭代时粒子群的全局最优解对应的个体最优解。
步骤103-8:令全局迭代次数i的数值增加1,并返回步骤103-4直至全局迭代次数i达到全局迭代次数阈值,确定全局最优解对应的个体最优解为调度时长模型的最优调度解。
步骤103-7,包括:
步骤103-7-1:确定多种邻域结构。
步骤103-7-2:确定第i次迭代时粒子群的全局最优解对应的个体最优解为第0次迭代时的个体最优解。
步骤103-7-3:令局部迭代次数k=1。
步骤103-7-4:根据邻域结构随机产生一个待定解。
步骤103-7-5:分别确定待定解和第k-1次迭代时的个体最优解的个体适应度。
步骤103-7-6:确定最大个体适应度对应的解为第k次迭代时的个体最优解。解为待定解或第k-1次迭代时的个体最优解。
步骤103-7-7:令局部迭代次数k的数值增加1,并返回步骤103-7-4直至局部迭代次数k得到局部迭代次数阈值,确定第k次迭代时的个体最优解为更新后的第i次迭代时粒子群的全局最优解对应的个体最优解。
下面,对本实施例提供的测控系统实时任务调度方法进行具体说明,如图2,本实施例包括:
步骤(1.1)、获取实时任务信息,建立任务调度的系统模型与能耗模型。
步骤(1.2)、设计离散粒子群调度算法,利用该算法进行全局搜索,得到任务调度序列及处理器需要配置的供电电压。
步骤(1.3)、设计算法的编码规则和粒子的更新规则。
步骤(1.4)、设计变邻域搜索策略,通过插入、交换和移动等邻域动作拓展搜索范围,优化算法的局部搜索能力。
进一步的,在步骤(1.1)中,建立任务调度模型的具体步骤如下:
步骤(1.1.1)、采用有向无环图(DAG)来描述具有优先约束的任务,有向无环图如图3所示,其中为实时任务集,N表示任务的数量,E为任务节点间有向边的集合。/>表示任务/>的顶点权重,即DAG中任务的计算成本。/>表示/>和/>的边权重,即两个任务之间的通信成本。
步骤(1.1.2)、建立系统模型:系统由一组异构处理器组成,其中M表示处理器的数量。用向量/>表示处理器/>的电压供应水平,其中/>为第/>个处理器的电压供应水平的类型数,/>为处理器/>的第r个电压供应水平对应的电压。当/>空闲时,提供的电压最小。相应地,用/>表示处理器/>的第r个电压供应水平对应的频率。
步骤(1.1.3)、建立任务集的调度时长模型,具体步骤如下:
步骤(1.1.3.1)、引入两个附加的时间变量:任务的最早开始时间/>和最早完成时间/>,则:
。
其中,表示任务/>在供电电压为/>的处理器/>上的计算时间,定义如下:
。
(1.1.3.2)、设为处理器/>的通信启动成本,/>为异构处理器/>与异构处理器/>之间的数据传输速。通信时间/>表示数据从分配给异构处理器/>的任务上传输到分配给异构处理器/>的任务/>上所需要的时间,则任务/>与任务/>之间的通信时间表示为:
。
步骤(1.1.3.3)、任务的最早开始时间定义为:
。
步骤(1.1.3.4)、用表示任务集T的调度时长,定义为:
。
进一步的,在所述步骤(1.2)中,离散粒子群调度算法设计具体包含如下步骤:
步骤(1.2.1)、读入不同规模的DAG任务模型、处理器数量M、工作频率和电压水平/>等变量。
步骤(1.2.2)、初始化参数,假设总迭代次数为,种群规模为。随机生成一组解,并对粒子进行编码,将起始位置设为个体最优位置/>。
步骤(1.2.3)、根据位置和速度计算公式更新每个粒子的速度和位置,并采用线性变化的调整方法,动态更新惯性权重。
步骤(1.2.4)、更新个体最优和全局最优/>。
步骤(1.2.5)、判断是否满足给定的迭代次数或者阈值。若满足终止条件,则输出结果。否则,返回继续搜索。
进一步的,在所述步骤(1.3)中,所设计的编码规则和粒子的更新规则包括如下步骤:
步骤(1.3.1)、一个粒子代表问题的一个可行解,可以作为实时任务集的一种调度方案的映射,包括执行任务的处理器编号以及对应的供电电压水平。
步骤(1.3.2)、任意粒子在某次迭代中的速度更新规则表示为:
。
其中是惯性权重,影响粒子的速度矢量,引入这一参数表征粒子对于自身速度的保留程度。/>和/>代表学习因子,分别为自加速系数和群加速系数,表示粒子向个体最优和全局最优/>靠近的程度。/>和/>为两个范围为[0,1]的随机数。为/>设置取值范围,避免粒子超出搜索区域。
步骤(1.3.3)、位置更新规则表示为:
。
在粒子寻优过程中,用表示粒子当前速度受上一次迭代的影响程度。当该值设置为较大时有助于进行全局寻优,反之则有利于局部寻优。采用线性变化的调整方法,将/>设置为动态值。
。
其中为初始值,/>为最终值,/>为迭代的最大次数。
进一步的,在所述步骤(1.4)中,变邻域搜索策略包括如下步骤:
步骤(1.4.1)、确定三种邻域结构,设置循环次数为,随机产生初始解/>。此时循环次数/>,个体最优记为/>。
步骤(1.4.2)、如果满足循环终止条件,则输出个体最优解/> 。否则,进行第一种邻域动作,此时/>。
步骤(1.4.3)、根据邻域结构随机产生一个新解,分别计算/>和/>的适应度值。
步骤(1.4.4)、若新解的适应度值大于/>,则输出/>,将初始解替换成适应度更大的新解,并且继续执行邻域搜索动作。否则,令/>。
步骤(1.4.5)、当时,回到步骤(1.4.2)。否则,回到步骤(1.4.3)到达下一个邻域结构。
本发明采用CloudSim模拟器平台来模拟多处理器环境,将提出的算法扩展到平台中的资源调度模型中进行对比实验分析。采用的实验环境为:AMD R5 4600H 3.00HZ的CPU、16GB的RAM、WINDOWS 10的操作系统、IntelliJ IDEA和MATLAB的编程环境。实验的输入包括不同规模的DAG模型、处理器数量、处理器工作电压和频率等。其中,测控系统实时任务DAG图如图3所示。
选择蚁群算法(ACO)和传统的粒子群算法(PSO)进行对比实验,验证所提出算法的有效性。考虑到算法的优化效果在一定程度上受各参数的影响,为了实验结果具有可比较性,采用了统一的参数设置,例如选用的种群规模和蚁群数量保持一致。为了减少意外造成的误差,所有实验结果均为50次独立运行后的统计结果。粒子群算法中的学习因子,惯性权重/>,迭代次数/>。
图4、图5和图6分别表示处理器个数为4、6和8时三种算法的调度结果。可以看出,在能耗受限的调度问题上,混合粒子群优化算法与蚁群算法和未结合变领域搜索策略的普通粒子群算法相比,任务集的调度总长度最小。以图3为例,当任务数为5时,所提出的算法与其他两种算法相比,调度长度分别降低了42%和51.15%。当任务数为200时,调度长度分别降低了14.13%和42.82%。这是因为本发明设置了线性变化的惯性权重参数,并结合变邻域搜索的局部优化方法扩大了粒子的搜索范围,进一步提高了求解的质量。
由以上步骤和附图可知,本发明可以有效地实现基于混合粒子群算法的测控系统实时任务调度方法,在支持开启DVFS的多处理器环境下完成能量受限的性能优化调度。所提出的算法首先进行全局搜索,并采用线性变化的调整方法动态更新惯性权重参数,使得算法在开始表现出良好的全局寻优效果,后期表现出良好的局部寻优效果。接着,采用变邻域搜索策略,通过插入、交换和移动等邻域动作拓展搜索范围。所提出的算法与蚁群算法和传统的粒子群算法进行了对比,结果表明该算法能够实现能耗受限下的任务快速分配。
实施例2:
为了执行上述实施例1对应的方法,以实现相应的功能和技术效果,下面提供了一种测控系统实时任务调度装置,包括:
信息获取模块,用于获取实时任务信息和测控系统的异构处理器信息。
调度时长模型构建模块,用于根据实时任务信息和测控系统的异构处理器信息,构建调度时长模型。
最优调度解确定模块,用于基于变邻域搜索策略,利用离散粒子群调度算法,得到调度时长模型的最优调度解。
测控系统调度模块,用于根据最优调度解控制测控系统。
实施例3:
本实施例提供了一种电子设备,包括存储器及处理器,存储器用于存储计算机程序,处理器运行计算机程序以使电子设备执行实施例1所述的一种测控系统实时任务调度方法。
其中,存储器为可读存储介质。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种测控系统实时任务调度方法,其特征在于,包括:
获取实时任务信息和测控系统的异构处理器信息;
根据实时任务信息和测控系统的异构处理器信息,构建调度时长模型;
基于变邻域搜索策略,利用离散粒子群调度算法,得到调度时长模型的最优调度解;
根据所述最优调度解控制所述测控系统。
2.根据权利要求1所述的一种测控系统实时任务调度方法,其特征在于,所述根据实时任务信息和测控系统的异构处理器信息,构建调度时长模型,包括:
采用有向无环图描述实时任务信息;
采用向量集合描述测控系统的异构处理器信息;
基于所述采用有向无环图和所述向量集合,构建调度时长模型。
3.根据权利要求2所述的一种测控系统实时任务调度方法,其特征在于,所述调度时长模型为:
;
其中,表示任务集T的调度时长;/>表示任务/>的最早完成时间;;/>表示任务/>的最早开始时间;/>表示任务/>在供电电压为/>的异构处理器/>上的计算时间;/>;/>表示任务/>的计算成本;/>表示异构处理器/>第r个电压供应水平对应的频率;;/>表示有向无环图中的入口任务;表示异构处理器/>上任务的最早开始执行时间;/>表示任务/>的最早完成时间;为数据从分配给异构处理器/>的任务/>上传输到分配给异构处理器/>的任务/>上所需要的通信时间;/>;/>表示异构处理器/>的通信启动成本;/>表示任务/>与任务/>之间的通信成本;/>表示异构处理器与异构处理器/>之间的数据传输速率。
4.根据权利要求1所述的一种测控系统实时任务调度方法,其特征在于,基于变邻域搜索策略,利用离散粒子群调度算法,得到调度时长模型的最优调度解,包括:
初始化粒子群;
确定初始化后的粒子群为第0次迭代时粒子群;
令全局迭代次数i=1;
更新第i-1次迭代时粒子群中粒子的速度和位置,得到第i次迭代时粒子群;
确定第i次迭代时粒子群的适应度值;
根据第i次迭代时粒子群的适应度值,确定第i次迭代时粒子群的全局最优解和每个粒子的个体最优解;
利于变邻域搜索策略,更新第i次迭代时粒子群的全局最优解对应的个体最优解;
令全局迭代次数i的数值增加1,并返回步骤“更新第i-1次迭代时粒子群中粒子的速度和位置,得到第i次迭代时粒子群”直至全局迭代次数i达到全局迭代次数阈值,确定全局最优解对应的个体最优解为调度时长模型的最优调度解。
5.根据权利要求4所述的一种测控系统实时任务调度方法,其特征在于,利于变邻域搜索策略,更新第i次迭代时粒子群的全局最优解对应的个体最优解,包括:
确定多种邻域结构;
确定第i次迭代时粒子群的全局最优解对应的个体最优解为第0次迭代时的个体最优解;
令局部迭代次数k=1;
根据所述邻域结构随机产生一个待定解;
分别确定待定解和第k-1次迭代时的个体最优解的个体适应度;
确定最大个体适应度对应的解为第k次迭代时的个体最优解;所述解为待定解或第k-1次迭代时的个体最优解;
令局部迭代次数k的数值增加1,并返回步骤“根据所述邻域结构随机产生一个待定解”直至局部迭代次数k得到局部迭代次数阈值,确定第k次迭代时的个体最优解为更新后的第i次迭代时粒子群的全局最优解对应的个体最优解。
6.一种测控系统实时任务调度装置,其特征在于,包括:
信息获取模块,用于获取实时任务信息和测控系统的异构处理器信息;
调度时长模型构建模块,用于根据实时任务信息和测控系统的异构处理器信息,构建调度时长模型;
最优调度解确定模块,用于基于变邻域搜索策略,利用离散粒子群调度算法,得到调度时长模型的最优调度解;
测控系统调度模块,用于根据所述最优调度解控制所述测控系统。
7.一种电子设备,其特征在于,包括存储器及处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使所述电子设备执行权利要求1至5中任一项所述的一种测控系统实时任务调度方法。
8.根据权利要求7所述的一种电子设备,其特征在于,所述存储器为可读存储介质。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410329903.8A CN117931413B (zh) | 2024-03-22 | 2024-03-22 | 一种测控系统实时任务调度方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410329903.8A CN117931413B (zh) | 2024-03-22 | 2024-03-22 | 一种测控系统实时任务调度方法、装置及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117931413A true CN117931413A (zh) | 2024-04-26 |
CN117931413B CN117931413B (zh) | 2024-07-09 |
Family
ID=90751056
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410329903.8A Active CN117931413B (zh) | 2024-03-22 | 2024-03-22 | 一种测控系统实时任务调度方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117931413B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101604258A (zh) * | 2009-07-10 | 2009-12-16 | 杭州电子科技大学 | 一种嵌入式异构多处理器系统的任务调度方法 |
CN106650058A (zh) * | 2016-12-08 | 2017-05-10 | 南京航空航天大学 | 一种基于改进人工蜂群算法的协同电子干扰任务调度方法 |
CN107133088A (zh) * | 2017-04-19 | 2017-09-05 | 武汉科技大学 | 一种基于粒子群算法的多核系统任务调度方法 |
US20190080244A1 (en) * | 2017-09-11 | 2019-03-14 | Hefei University Of Technology | Scheduling method and system based on improved variable neighborhood search and differential evolution algorithm |
CN113222096A (zh) * | 2021-04-30 | 2021-08-06 | 桂林理工大学 | 一种面向云计算任务调度的改进粒子群算法 |
CN113778654A (zh) * | 2021-09-27 | 2021-12-10 | 国网湖南省电力有限公司 | 基于粒子群优化算法的并行任务调度方法 |
CN115623010A (zh) * | 2022-10-19 | 2023-01-17 | 南京航空航天大学 | 基于sdn和haco-csa的服务器集群负载均衡方法及系统 |
-
2024
- 2024-03-22 CN CN202410329903.8A patent/CN117931413B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101604258A (zh) * | 2009-07-10 | 2009-12-16 | 杭州电子科技大学 | 一种嵌入式异构多处理器系统的任务调度方法 |
CN106650058A (zh) * | 2016-12-08 | 2017-05-10 | 南京航空航天大学 | 一种基于改进人工蜂群算法的协同电子干扰任务调度方法 |
CN107133088A (zh) * | 2017-04-19 | 2017-09-05 | 武汉科技大学 | 一种基于粒子群算法的多核系统任务调度方法 |
US20190080244A1 (en) * | 2017-09-11 | 2019-03-14 | Hefei University Of Technology | Scheduling method and system based on improved variable neighborhood search and differential evolution algorithm |
CN113222096A (zh) * | 2021-04-30 | 2021-08-06 | 桂林理工大学 | 一种面向云计算任务调度的改进粒子群算法 |
CN113778654A (zh) * | 2021-09-27 | 2021-12-10 | 国网湖南省电力有限公司 | 基于粒子群优化算法的并行任务调度方法 |
CN115623010A (zh) * | 2022-10-19 | 2023-01-17 | 南京航空航天大学 | 基于sdn和haco-csa的服务器集群负载均衡方法及系统 |
Non-Patent Citations (2)
Title |
---|
李静梅;张博;: "基于粒子群优化算法的异构多处理器任务调度", 计算机工程与设计, no. 02, 16 February 2013 (2013-02-16) * |
郑伟;王磊;曹建蜀;: "改进DPSO算法求解仿真任务调度问题", 信号处理, no. 04, 25 April 2015 (2015-04-25) * |
Also Published As
Publication number | Publication date |
---|---|
CN117931413B (zh) | 2024-07-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112862281A (zh) | 综合能源系统调度模型构建方法、装置、介质及电子设备 | |
CN111274036B (zh) | 一种基于速度预测的深度学习任务的调度方法 | |
Zhu et al. | BLOT: Bandit learning-based offloading of tasks in fog-enabled networks | |
CN112887994B (zh) | 基于改进二进制粒子群的无线传感器网络优化方法及应用 | |
CN106991030B (zh) | 一种基于在线学习的系统功耗优化的轻量级方法 | |
CN109710404B (zh) | 分布式系统中的任务调度方法 | |
CN104899431A (zh) | 基于蚁群和粒子群集成的lssvm脉动风速预测方法 | |
Li et al. | Multi-layer coordination for high-performance energy-efficient federated learning | |
Dong et al. | An adaptive state transition algorithm with local enhancement for global optimization | |
CN117931413B (zh) | 一种测控系统实时任务调度方法、装置及电子设备 | |
CN108418247A (zh) | 一种配电网中分布式电源优化配置方法及计算设备 | |
CN114217881B (zh) | 任务卸载方法及相关装置 | |
CN116305747A (zh) | 一种基于改进鲸鱼优化算法的工作流多目标调度方法 | |
Meraji et al. | A machine learning approach for optimizing parallel logic simulation | |
CN113806077A (zh) | 基于人工智能的数据中心服务器调控方法及装置 | |
Meraji et al. | On the scalability and dynamic load-balancing of optimistic gate level simulation | |
CN113919505A (zh) | 一种逆强化学习处理方法、装置、存储介质及电子装置 | |
CN117892667B (zh) | 运算器芯片设置方法、计算子系统以及智能计算平台 | |
Sapio et al. | Runtime adaptation in wireless sensor nodes using structured learning | |
CN117236187B (zh) | 一种深度学习加速器芯片的参数化设计方法及系统 | |
CN112163389B (zh) | 基于自适应分布式粒子群优化算法的功率电子电路优化方法 | |
Dong et al. | Hybrid Discrete Particle Swarm Optimization for Energy-Aware Scheduling on Test and Control Systems | |
Tu et al. | An intelligent wireless sensor positioning strategy based on improved bat algorithm | |
CN117057255B (zh) | 一种用于数字孪生模型在线同步的预训练模型获取方法 | |
Wu et al. | An estimation of distribution algorithm to optimize the utility of task scheduling under fog computing systems |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |