改进型蚁群算法的多处理机任务调度研究

蚁群算法是一种新型的模拟进化算法,具有正反馈、分布式计算等特点,是一种解决组合优化问题的有效算法。在介绍蚁群算法基本原理以及探讨该算法的缺陷基础上,针对多处理器任务调度问题,提出了一种基于改进型蚁群算法的调度策略。仿真研究表明,该算法具有优良的全局优化性能,效果令人满意。     

基于关键路径知识的任务调度遗传算法

基于遗传算法提出了一种新颖的多处理器任务调度算法CPGS。该算法利用任务系统的关键路径知识,构造了性能良好的初始种群。借助第三方测试数据集,将CPGS算法同其他类似算法进行了对比。实验结果表明,CPGS算法性能优于已有的同类算法。     

线性网络上分布式任务调度算法

针对一种已有的分布式计算理论模型(单位长度的任务由处理器独立产生，没有全局控制，彼此通信需要花费时间)，研究了在线性网络上的任务有效调度问题．通过考虑算法中任务处理时间和通信时间之间的平衡，给出了一个近似比为5．88的分布式算法，该算法无需全局信息，且处理策略简单．对该问题的近似比下界也做了研究，证明了该问题不存在近似比小于1．16的算法．     

基于改进GA的云计算任务调度算法

云计算通常需要处理大量的计算任务,任务调度策略在决定云计算效率方面起着关键作用。如何合理地分配计算资源,有效地调度任务运行,使所有任务运行完成所需的时间较短、成本较小是个重要的问题。提出一种考虑时间-成本约束的遗传算法(TCGA),通过此算法调度产生的结果不仅能使任务完成所需的时间较短,而且成本较小。通过实验,将TCGA与考虑时间约束的遗传算法(TGA)、考虑成本约束的遗传算法(CGA)进行比较,实验结果表明,该算法是云计算中一种有效的任务调度算法。     

改进的异构多处理器的实时任务调度算法研究*

现有的很多调度算法存在时间复杂度过高或调度成功率低的问题。提出一种新的调度算法(HRTSA),提高实时任务的调度成功率。HRTSA首先通过METC策略初始化分簇,降低算法的时间复杂度;再在放置任务时根据处理器的负载均衡进行处理器负载的有效控制;最后通过任务复制调度以提高任务调度成功率。对比实验分析表明提出的HRTSA算法时间复杂度与RTSDA相比较低,调度成功率较高。     

基于粒子群优化算法的异构多处理器任务调度

为提高异构多处理器任务调度的执行效率,充分发挥多处理器并行性能,提出一种基于粒子群优化的异构多处理器任务调度算法-PSOASA算法.PSOASA算法以求得任务最短完成时间为目标,首先通过建立新的编码方式和粒子更新公式实现粒子搜索空间到离散空间的映射,使连续的粒子群优化算法适用于离散的异构多处理器任务调度问题,同时通过引入模拟退火算法,克服粒子群算法的“早熟”收敛现象,避免求得的解陷入局部最优.实验结果表明,PSOASA算法的执行效率优于目前广泛采用的遗传算法,有效地降低任务的执行时间,减少了迭代次数,适用于异构多处理器环境大规模任务调度.     

分布式实时嵌入式系统任务调度研究

本文把分布式系统调度分为全局调度和本地调度两个调度层次；为了满足实时性能。把线程分为非时间片线程以及时间片线程两类。本文同时指出了分布式嵌入操作系统的任务调度略。同时在Linux开放代码的基础上修改Linux内核的调度策略，初步实现了分布式实时调度策略并进行了测试。     

基于异构多核平台低能耗周期任务调度算法

针对异构多核平台存在的高能耗问题，提出一种运用优化理论求解周期任务最优能耗分配方案的算法。该算法对周期任务的最优能耗问题进行建模，并对模型添加限制条件。根据优化理论将二进制整数规划问题松弛化后得到凸优化问题，通过内点法求解优化问题并得到松弛化的分配矩阵，对分配矩阵进行判决处理后得到部分任务的分配方案。在此基础上，通过迭代的方式求得剩余任务的分配方案。实验结果表明，该分配方案产生的能耗与同类优化理论算法相比能耗降低约1.4%，与能耗相当的优化理论算法相比执行时间减少86%，且仅比理论最优能耗值高2.6%。     

分布式网格系统的任务调度算法DE Scheduling

目前研究的动态任务调度算法都基于集中式或部分分布式网格系统,系统中心节点(组)进行资源管理。该文提出一种面向无资源管理的完全分布式网格系统动态任务调度算法DE Scheduling。该算法使用任务冗余调度算法屏蔽解决系统的动态性问题,通过动态调节冗余量减少无效计算和保证系统负载均衡。使用给定平均连接度的无标度网络演化模型构造具有1 000个节点的Internet网络模型仿真任务处理过程。仿真结果表明,任务数为10 000~100 000时该系统冗余调度次数均为2次,冗余计算量占总计算量的比例不超过0.35%,且随着任务数增加而递减。     

基于多处理器嵌入式系统调度算法的研究

本文浅析了在多处理器体系结构上的调度实时任务的各种不同方法。我们首先比较了这些不同的解决方案，然后描述了一种调度任务集的方法。该方法基于端对端的任务调度，考虑任务间的线性优先约束以及任务对资源的需求。同时．这种调度方法的另外一个目的是尽量减少处理器间的通信代价。这个模型也考虑了不同处理器之间的不同通信带宽以及各种处理器拥有不同的处理性能。     

分布式棒线材轧制生产线在线生产调度系统

在分析棒线材生产作业计划特点的基础上，建立了精轧工序轧制批量调度的数学模型，其中考虑了轧机的维护约束等实际应用约束，采用混合局部搜索的自适应遗传算法进行求解，给出了基于多智能体系统（MAS）的分布式在线生产调度系统的总体结构，描述了进化计算、专家系统、启发式规则和人机交互相结合的集成化实现方法．实际运行结果表明，该系统各项功能运行良好，可快速编制出接近最优的生产调度计划，调度质量得到很大地改进．     

基于GA的DCS中任务的容错优化调度

分布式控制系统(DCS)中的实时任务必须在其时限前完成,否则会出现灾难性后果,因此必须为DCS提供一定的容错能力。该文基于EDF算法和版本复制技术给出了DCS的容错调度算法。在此基础上采用启发式任务分配算法分配任务,通过遗传算法对基版本任务时限进行优化,以提高处理器的利用率。仿真结果表明该算法是有效的。     

基于GA的仪表新产品功能结构方案推理机模型关键技术研究

虚拟原型逼真设计是近几年发展起来的新技术,主要研究虚拟环境下的产品建模问题以及基于仿真的集成产品和过程设计问题．产品功能结构方案推理机模型是虚拟原型逼真设计实现的关键技术之一．针对功能模块组合方案优化问题的复杂性,研究了基于遗传算法（GA）的功能结构方案推理机模型的实现技术,提出了双链异或杂交算子和自适应调节杂交概率和突变算子选择等算法,结合仪表产品设计应用实例,验证了模型的优越性,并将其应用于仪表新产品开发决策支持系统——仪表LC—QDPDS软件系统中．     

基于种群规模可变的粗粒度并行遗传算法

在科学计算领域，并行计算越来越成熟，并行遗传算法开始受到关注。本文分析了遗传算法并行化的动机和实现模型，提出了一种新算法－基于种群规模可变的粗粒度并行遗传算法,仿真结果验证了这种新算法的有效性和合理性。     

基于遗传算法的特定应用片上网络映射研究

片上网络是片上系统SoC通信问题的一种最有效解决方法,如何把知识产权核映射到网格之格件映射问题是NoC设计的关键问题之一。映射问题本质上是一种二次分配的NP难问题,遗传算法能够有效地求解问题的近似最优解。提出一种基于遗传的IP映射算法,实验结果表明,遗传算法能够在几分钟内求得最小能耗的映射。     

一种完全分布的网格任务调度算法

目前国内外网格项目采用集中的网格资源管理和发现机制,在网格中有明确的信息中心,随着网格规模的不断扩大,维护和管理网格信息中心的开销过大,从而影响提高网格性能和成为扩大网格规模的瓶颈。论文提出了一种完全分布的网格资源管理模型,即在网格中没有任何全局的资源信息,同时提出了与此资源模型相适应的基于任务压力的网格任务调度算法。模拟试验表明该资源模型和任务调度算法在不知道整个网格资源处于何种状况的情况下,能够将任务调度到网格的每一个角落,同时具有较好的负载平衡。     

基于GA的模糊-PID控制器设计

提出一种基于GA优化的模糊-PID复合控制算法，该算法可实现在偏离工作点较远的区域采用模糊控制，在工作点附近实施PID控制，两种控制算法优势互补。采用遗传算法分步优化模糊-PID控制器参数，解决了控制器参数整定和优化等难点问题。该算法在SCON-2000先进控制软件平台进行了工程化实现，对实际工业对象的控制结果表明，该方法比常规PID控制、模糊控制具有更强的鲁棒性和更好的稳态性能，能使系统的响应满足既快速又不振荡的要求。     

基于改进遗传算法的智能排课研究

本文深入地分析了排课问题的软约束条件和硬约束条件,抽象出求解智能排课问题的数学模型。深入分析遗传算法,针对传统的遗传算法,对初始种群进行均匀化、适应度函数、变异算子等方面改进。通过对比实验证明改进的算法完全适用于智能排课问题,而且具有较高的效率,为排课问题的发展提供了新的思路。     

基于蚁群算法的分布式CPS系统任务调度设计

针对CPS系统中资源和任务的复杂性,同时为了保证CPS系统资源管理和任务调度的快速性、准确性和有效性,构建了分布式CPS系统结构模型,并设计和实现了基于蚁群算法的资源分配策略,在算法中设计了局部和全局信息素更新规则,将资源管理、任务调度和执行相结合,同时兼顾网络的负载平衡问题和服务质量问题.利用Matlab对基于蚁群算法的分布式CPS系统任务调度策略进行了仿真实验,实验结果证明该策略缩短了整体任务调度的总完成时间,并随着任务数的增加,任务时间缩短的效果更加明显.     

基于ATC和GA的可重构制造单元分级调度研究*

为了优化以零件族为单位进行生产的可重构单元内单个零件族的加工时间和协调各零件族同时完工以实现整体调度所用时间最短,提出一种分级调度算法.该算法将调度过程分为三层,即时间决策层、分配决策层和路径决策层.以时间决策层为最终优化目标,通过将时间分解至分配决策层再至路径决策层,下层时间达到最优后反馈至上层,层层优化以实现整体调度时间最优.最后通过实例验证该算法在分配各零件族的机器数量和零件的加工路径中的合理性和有效性.