面向移动机器人分布式计算的任务调度方法

针对移动机器人导航控制中信息处理量大、任务多的情况，提出了一个适用于移动机器人的分布式计算框架，并在此框架的基础上设计了一种任务调度方法——GMBSA，该方法以资源代理为基础，首先对任务执行时间进行预测，然后运用遗传算法结合多队列Backfilling方法进行任务调度，达到最小化任务执行时间的要求，最终实现资源的优化分配，满足了机器人导航控制中的实时性要求。该文采用实验室构建的分布式计算环境对GMBSA的性能进行了测试，并比较了轻重负载情况下GMBSA，多队列Backfilling和FCFS 3种调度方案的性能差异。     

异构计算环境下基于优先队列划分的调度算法

人工智能的飞速发展对高性能计算提出了更高的要求,异构计算环境下任务调度问题一直是高性能计算中的关键问题.本文提出一种基于优先队列划分的调度算法(PQDSA),该算法根据DAG(有向无循环图)任务集的入口节点数量确定优先队列数,通过任务的通信开销和计算开销划分任务队列,进而将关键节点任务分配给合适的队列,以产生效果较佳的任务调度队列,从而提高任务间的并行性,降低任务集的完工时间.与此同时,进一步基于插入策略将任务调度到处理器上,使任务调度更加高效地执行.PQDSA算法可以减少任务间的时间消耗,提高处理器的调度效率.通过与两个经典算法的性能对比,实验结果表明本文提出的PQDSA算法在任务完工时间和调度效率方面都要明显优于对比的算法.     

基于任务复制的多关键路径任务调度算法

高效的任务调度算法使多核处理器的资源分配和并行计算能力更加高效。通过研究关键路径对任务调度算法的重要性后提出TDMCP算法。对DAG上关键任务的确定采用一种多关键路径选取的方法,使得关键路径上信息在任务调度的每一步都是实时更新的;保证调度的每一步优先执行紧迫性高的任务;对首任务采用任务复制技术,使得后续任务的调度更加的高效,从整体上提高任务调度效率。和两个经典任务调度算法进行实验性能的比较,比较结果表明TDMCP算法在任务调度时间和算法执行效率方面都要优于两种经典算法。     

一种孔径分割多功能雷达的改进任务调度方法

针对孔径分割多功能雷达的实时任务调度问题,提出了一种改进的任务自适应调度方法.该方法充分利用任务时间窗的作用,根据任务的期望执行时刻和时间窗,主动调整任务的实际执行时刻,实现任务间的紧密安排,减少空闲资源的浪费,使得孔径分割多功能雷达能够在有限的资源内调度执行更多的任务.最后将该方法与传统多任务并行(MTPEDF)调度方法进行对比仿真,仿真结果表明该方法提高了任务调度成功率和资源利用率,有效提升了孔径分割多功能雷达的整体调度性能,具有一定的优越性.     

基于改进时间指针的相控阵雷达任务调度方法

针对相控阵雷达实时任务调度中时间资源利用不充分的问题,提出了一种基于改进时间指针的任务自适应调度方法.以时间指针为对象,从整个调度时间轴上所有满足时间指针处执行条件的任务请求中,选择一个优先级最高的任务作为当前时刻的执行任务,有效减少了空闲时间的浪费,使得相控阵雷达能够在有限时间资源内调度执行更多的任务.与基于传统时间指针的调度方法仿真对比,结果表明:方法提高了任务调度成功率和时间利用率,有效提升1了相控阵雷达的整体调度性能,具有一定的优越性.     

动态队列下入侵肿瘤生长优化和BPNN的云计算任务调度新方法

针对现有云计算任务调度算法整体性能较低,不能兼顾云利用率优化及服务质量(QoS)问题,提出一种动态调度队列下入侵肿瘤生长优化结合反向传播神经网络(TSDQ-ITGOBPNN)的云计算任务调度新方法.融合入侵肿瘤生长优化与反向传播神经网络算法特点,优化系统平均等待时间;考虑云计算调度任务的复杂性,在兼顾云计算任务等待时间和队列长度的前提下对其进行队列管理,克服单个启发式算法的固有局限性;基于开源模拟器CloudSim进行若干实验.实验结果表明,该方法相比于现有任务调度算法在完成时间、计算成本、资源利用率以及负载平衡等方面凸显出较大优势.     

基于赋权有向超图的云计算依赖任务调度研究

如何对依赖任务进行高效合理的调度是云计算急需解决的关键问题之一。对云计算环境下的依赖任务调度系统进行了形式化描述。采用赋权有向无环超图来构造依赖任务调度问题的数学模型,结点对应于依赖任务,有向超边对应于任务之间的执行先后依赖关系。将云计算依赖任务调度问题转换为赋权有向超图的优化划分问题,提出了基于多水平方法和赋权有向超图的依赖任务划分优化算法。设计并实现了基于多水平方法的云计算依赖任务调度原型系统。在CloudSim云计算仿真实验平台下,与Min-Min算法、Max-Min算法进行了对比实验,实验数据对比表明该算法在减少依赖任务执行时间的同时,优化了资源负载均衡性能。     

基于资源预测的网格任务调度模型

跨越虚拟组织中多个域(或集群)的网格任务调度由于资源的不确定性（如动态性和异构性）而成为网格应用中亟待解决的问题。提出了一种有效的基于资源预测的网格任务调度模型——RPTS,该模型利用加权最小二乘方法进行参数估计的自回归滑动平均(ARMA)预测方法对网格环境下的主机负载进行预测。利用上述资源预测结果和一类数据并行性网格任务的建模结果,对它们进行预处理、匹配并调度执行。RPTS充分考虑了网格环境下资源的动态性和异构性,为解决网格环境下任务调度问题提供了一种较好的方法。与其他一些网格任务调度方法进行了一系列的仿真实验,结果表明RPTS模型具有任务执行时间最短和稳定性较好的特点。     

云平台的任务合理化调度模型仿真分析北大核心CSCD

针对云平台的任务逐渐增加,任务调度之间的关联性逐渐被海量的任务量打破,导致任务调度的优先级也存在较强的非线性,当前的云平台任务调度模型,已经无法运用准确的约束关系确定先后顺序,造成任务请求缺失率高、资源空闲时间高和资源利用率低等弊端,提出一种模糊云平台的任务合理化调度模型,对模糊云平台任务调度问题进行了描述,分析了平台调度任务量与平均响应时间之间匹配关系,对任务优先级进行计算,得到优先级后,将其插入对应的任务队列中进行处理。分析云平台分配任务过程中平均响应时间等动态模糊特征,引入时间点概念,完成对所有时间点的处理,优先调度优先级等级高的云平台分配任务。利用任务分配优先级最大化云平台的执行任务量,最小化云平台的平均响应时间。仿真结果表明,所提模型降低了云平台平均响应时间,提高了资源的利用率。     

自适应邻域的多目标网格任务调度算法研究

针对网格计算中的多目标网格任务调度问题,提出了一种基于自适应邻域的多目标网格任务调度算法。该算法通过求解多个网格任务调度目标函数的非劣解集,采用自适应邻域的方法来保持网格任务调度多目标解集的分布性,尝试解决网格任务调度中多目标协同优化问题。实验结果证明,该算法能够有效地平衡时间维度和费用维度目标,提高了资源的利用率和任务的执行效率,与Min-min和Max-min算法相比具有较好的性能。     

Task Scheduling on the PASM Parallel Processing System

PASM is a proposed large-scale distributed/parallel processing system which can be partitioned into independent SIMD/MIMD machines of various sizes. One design problem for systems such as PASM is task scheduling. The use of multiple FIFO queues for nonpreemptive task scheduling is described. Four multiple-queue scheduling algorithms with different placement policies are presented and applied to the PASM parallel processing system. Simulation of a queueing network model is used to compare the performance of the algorithms. Their performance is also considered in the case where there are faulty control units and processors. The multiple-queue scheduling algorithms can be adapted for inclusion in other multiple-SIMD and partitionable SIMD/MIMD systems that use similar types of interconnection networks to those being considered for PASM.     

动态抢占阈值调度中的快速任务选择算法

基于动态抢占阈值的实时调度算法集非抢占调度和纯抢占调度的特点,既减少了由于过多的随意抢占造成的CPU资源浪费,又保证了较高的CPU资源利用率。然而,现有的任务选择算法运行时的额外代价严重影响了系统的整体性能。针对这个问题,本文提出一种使用“选择树”作为任务队列结构的、时间复杂度为O（｜log2n｜）的快速任务选择算法。本文从理论上证明该算法正确性的同时,在使用ARM9芯片的Nokia智能手机上验证了该算法在嵌入式实时系统中的有效性。实验表明,该算法在充分利用处理器的同时能够有效降低动态阈值调度算法的额外代价。     

求解无等待Job Shop调度的量子粒子群算法

针对无等待Job Shop问题,采用量子粒子群优化算法对其进行了求解。该算法采用位置矢量的编码方式,全左移验证方式计算适应值。最后通过MATLAB对实例问题的仿真测试,量子粒子群优化算法不仅收敛速度快,而且还具有较好的求解质量。     

基于优先级的抢占式并行调度算法设计与分析

并行作业调度系统负责对高性能计算系统中作业队列的管理。其核心功能是在每次调度发生时，选择下一个被执行的作业。最简单的调度算法是先来先服务（FCFS）。但这种方法的缺点是资源利用率很低。解决这个问题，目前常用的算法有EASY Backfilling。但EASY算法也存在两个缺陷：要求用户估计作业运行时间和偏爱小作业。针对这两个问题，本文设计了一种新的调度方法：基于优先级的抢占式并行调度（Priority-based Preemptive Scheduling），并实现了两种算法的模拟系统，从性能和公平性两个角度对PPS算法和EASY算法进行了比较分析，表明了PPS算法的有效性。     

非集中调度模型下的网格资源调度研究*

针对当前网格资源调度系统扩展性差的问题,提出了基于非集中调度模型的以保守Backfilling算法为核心的网格资源调度算法.探讨了网格任务在站点处理器数目异构情况下,网格作业多站点协同调度问题.实验仿真证明,在跨网格站的资源调度中,运用资源预留策略和多站点作业分块可以改善作业的平均响应时间,并起到负载平衡的效果.     

Priority scheduling with consolidation based backfilling algorithm in cloud

In cloud computing, scheduling plays an eminent role while processing enormous jobs. The paralle jobs utmost need parallel processing capabilities which leads to CPU underutilization mainly due to synchronization and communication among parallel processes. Researchers introduced several algorithms for scheduleing parallel jobs namely, Conservative Migration Consolidation supported Backfilling (CMCBF) and Aggressive Migration Consolidation supported Backfilling (AMCBF). The greatest challenge of a existing scheduling algorithm is to improve the data center utilization without affecting job responsiveness. Hence, this work proposes an Effective Multiphase Scheduling Approach (EMSA) to process the jobs. In EMSA, the jobs are initially preprocessed and batched together to avoid starvation and to mitigate unwanted delay. Later, an Associate Priority Method has been proposed which prioritizes the batch jobs to minimize the number of migrations. Finally, the prioritized jobs are scheduled using Priority Scheduling with BackFilling algorithm to utilize the intermediate idle nodes. Moreover, the virtualization technology partitions the computing capacity of the Virtual Machine (VM) into two-tier VM as foreground VM (FVM) and Background VM (BVM) to improve node utilization. Hence, Priority Scheduling with Consolidation based BackFilling algorithm has been deployed in a two-tier VM that processes the jobs by utilizing the VMs effectively. Experimental results show that the performance of the proposed work performs better than other existing algorithms by increasing the resource utilization by 8%.     

基于模拟退火的Map Reduce调度算法

在计算能力作业调度算法的基础上,提出一种基于模拟退火的Map Reduce作业调度算法.利用带记忆功能的模拟退火算法选择最优作业,从而避免陷入局部最优解.在Hadoop平台上的实验结果表明,该算法能减少所有作业的运行时间以及每个作业的等待响应时间,具有较高的作业调度效率及用户满意度.     

Utilization, predictability, workloads, and user runtime estimatesin scheduling the IBM SP2 with backfilling

Scheduling jobs on the IBM SP2 system and many other distributed-memory MPPs is usually done by giving each job a partition of the machine for its exclusive use. Allocating such partitions in the order in which the jobs arrive (FCFS scheduling) is fair and predictable, but suffers from severe fragmentation, leading to low utilization. This situation led to the development of the EASY scheduler which uses aggressive backfilling: Small jobs are moved ahead to fill in holes in the schedule, provided they do not delay the first job in the queue. We compare this approach with a more conservative approach in which small jobs move ahead only if they do not delay any job in the queue and show that the relative performance of the two schemes depends on the workload. For workloads typical on SP2 systems, the aggressive approach is indeed better, but, for other workloads, both algorithms are similar. In addition, we study the sensitivity of backfilling to the accuracy of the runtime estimates provided by the users and find a very surprising result. Backfilling actually works better when users overestimate the runtime by a substantial factor     

时间轴法在操作系统作业调度算法教学中的应用

针对操作系统中的作业调度算法在教学过程中存在的模糊性、难理解性等问题,引入时间轴法,以“先来先服 务算法”和“计算时间短的作业优先算法”为例,对“时间轴法”在作业调度教学中的应用作了介绍,以时间演进顺序分析了何时 存在资源竞争、需要采用调度算法进行资源分配,在教学实践中取得了显著的效果。