优先级周期性互换的实时调度算法

针对实时多任务调度时低优先级任务的延迟问题,提出了一种优先级周期性互换的静态优先级调度算法。该方法以固定的时间片为周期,对多任务系统中的某两个不同优先级的独立性任务,周期性地互换它们的优先级级别,在保证较高优先级任务的执行时间的前提下,使得较低优先级的任务有机会尽快执行,以缩短其执行过程中的延迟时间。所提方法能有效解决低优先级任务的实时性问题,从而提高实时多任务系统的整体控制性能。     

优先级周期性互换的实时调度算法

针对实时多任务调度时低优先级任务的延迟问题,提出了一种优先级周期性互换的静态优先级调度算法。该方法以固定的时间片为周期,对多任务系统中的某两个不同优先级的独立性任务,周期性地互换它们的优先级级别,在保证较高优先级任务的执行时间的前提下,使得较低优先级的任务有机会尽快执行,以缩短其执行过程中的延迟时间。所提方法能有效解决低优先级任务的实时性问题,从而提高实时多任务系统的整体控制性能。     

基于组合优先级的自适应实时调度算法研究

在嵌入式实时操作系统中,由单个特征参数作为实时任务优先级的调度依据,并不能较好地描述系统中任务的关键性和紧迫性.提出一种基于组合优先级的自适应实时调度算法(SREDF),综合任务的截止期和CPU运行期设计任务的优先级,使截止期越早且CPU运行期越短的任务拥有最高优先级.处理器能有效地调度相同截止期的实时任务,并提前分析和预测任务能否完成.实验表明,该算法降低了任务调度的截止期错失率(MDP),并提高了任务调度的速度和效率.     

一种MapReduce实时调度算法设计及实现

MapReduce是云计算中重要的批数据处理框架,多任务共享MapReduce机群并满足任务实时性要求是调度算法急需解决的问题。提出两阶段实时调度算法,将调度划分为任务间调度和任务内调度。对于任务间调度,使用抽样法和经验值法确定子任务执行时间,利用该参数建立资源分配模型,动态确定任务优先级进行调度;对于子任务使用延迟调度策略进行调度,保证计算的本地性。实验结果显示,两阶段实时调度算法相比公平调度算法和FIFO算法,在保证吞吐量的同时能够满足任务实时性要求。     

实时任务优先级动态分配策略

现有大多数方法都是根据任务的截止期、空闲时间或者价值(密度)来确定任务的优先级,很少综合分析以上各个因素对任务优先级的影响.论文研究任务价值密度和紧迫性的变化特征,提出优先级的动态分派策略DPA,该策略可通过参数p与q来调节任务价值密度与紧迫性对任务优先级影响的程度,从而满足不同应用需求.最后,仿真实验结果显示,应用DPA策略的基于优先级的调度可以提高系统累积价值收益,降低任务截止期错失率.     

FF现场总线系统中实时任务的建模与调度

本文研究了单网段 FF现场总线系统中具有时间约束和次序约束的实时任务，即 功能块任务和通信任务的建模与调度．首先，将功能块任务和通信任务等视为相同的任务， 在只考虑任务间次序约束的情况下，提出了基于紧凑模式的任务模型，以保证每个作业被尽 可能早地完成．其次，考虑单网段通信任务共享一个传输介质而引起的通信超时，提出了基 于作业速率单调优先级算法的扩展紧凑模式的任务调度算法，以满足实时任务的时间约束 和次序约束．最后，通过一个应用实例来描述实时任务的调度过程．     

考虑中断和上下文切换开销的响应时间分析

实时嵌入式系统多采用中断和上下文切换实现多任务间调度,在对此类系统进行可调度性分析时,在任务的最差响应时间计算中必须包含中断和上下文切换开销.现有包含这些开销的方法是将中断作为高优先级任务同时将上下文切换开销加入到任务最差执行时间中进行分析,然而这些方法过于粗略,缺乏对实际系统细节的考虑,计算得到的最差响应时间并不精确.本文首先对中断和上下文切换的机制和时间流程进行详细的阐述,进而分析中断和上下文切换对任务关键性时刻的影响,接着给出包含上述开销的更加精确的响应时间计算方法,最后进行仿真验证.本文扩展了包含系统调度开销的响应时间计算方法,可用于资源受限的硬实时系统中需要精确计算响应时间的场合.     

基于CPN的μC／OS系统实时性能分析

仿真并分析了μC/OS系统固定优先级调度系统,指出当前的静态分析方法无法评估具体实时性能指标的局限性.提出使用CPN(赋时着色Petri网)对μC/OS实时系统中任务调度机制建模,包括系统各子任务之间的依赖关系,各任务的实限要求以及固定优先级调度机制,并通过运行模型来获取系统的具体实时,性能指标.实验结果表明,基于动态仿真获取的性能数据,可指导优化系统中各任务的优先级设计,从而提高系统的实时性能.     

SAGA:一种面向任务的卫星网络资源分配算法

针对现有卫星网络多资源、多任务约束下的资源分配,没有同时考虑任务完成时间和任务优先级导致的任务总体完成时间过长、任务优先级匹配度不高等问题,定义了任务序列优先级逆序数,建立了以任务总体完成时间最短和任务序列优先级逆序数最小为目标的约束模型,提出了一种自适应遗传算法并对模型进行求解.该算法利用精英保留的思想改进了采用轮盘赌策略的选择算子并且给出了一种能够自适应更新自身概率的变异、交叉算子,解决了标准遗传算法容易陷入局部最优的缺陷,避免了最优解的丢失.仿真实验验证表明,本文算法在任务总体完成时间方面降低了15.84%,在优先级逆序数方面降低了24.32%,有效解决了卫星网络多资源、多任务约束下的多目标分配问题.     

μC/OS-II在应用系统中任务划分及优先级设置

利用实时内核开发嵌入式多任务系统程序,应该将系统功能合理分解,构造不同的任务,并根据任务相对于其他任务的重要性决定其优先级。主要介绍了在嵌入式操作系统μC/OS-II的开发过程中,如何在应用系统中进行任务的划分及其优先级的设置,并结合自己的开发项目给出实例。     

一种面向部分可重构FPGA的混合实时调度算法

在CPU/FPGA平台上运行的实时任务通常由软/硬件子任务组成并存在优先约束关系。提出了一种软/硬件混合实时任务调度算法。在截止期限错失时刻,通过分析系统的运行情况,推导出实时任务可调度的充分条件。每个实时任务的硬件子任务分成多组,每组硬件子任务重叠配置到FPGA上。通过手工布局硬件子任务端口和总线端口,使得硬件子任务可动态的连接到系统总线上。实验表明,该算法能够满足任务的实时性,充分利用FPGA资源。     

Pairwise tagging framework for end-to-end emotion-cause pair extraction

Emotion-cause pair extraction (ECPE) aims to extract all the pairs of emotions and corresponding causes in a document. It generally contains three subtasks, emotions extraction, causes extraction, and causal relations detection between emotions and causes. Existing works adopt pipelined approaches or multi-task learning to address the ECPE task. However, the pipelined approaches easily suffer from error propagation in real-world scenarios. Typical multi-task learning cannot optimize all tasks globally and may lead to suboptimal extraction results. To address these issues, we propose a novel framework, Pairwise Tagging Framework (PTF), tackling the complete emotion-cause pair extraction in one unified tagging task. Unlike prior works, PTF innovatively transforms all subtasks of ECPE, i.e., emotions extraction, causes extraction, and causal relations detection between emotions and causes, into one unified clause-pair tagging task. Through this unified tagging task, we can optimize the ECPE task globally and extract more accurate emotion-cause pairs. To validate the feasibility and effectiveness of PTF, we design an end-to-end PTF-based neural network and conduct experiments on the ECPE benchmark dataset. The experimental results show that our method outperforms pipelined approaches significantly and typical multi-task learning approaches.     

Robust adaptive multi-task tracking control of redundant manipulators with dynamic and kinematic uncertainties and unknown disturbances

In this paper, a novel adaptive multi-priority controller for redundant manipulators is proposed to accomplish the multi-task tracking when kinematic/dynamic uncertainties and unknown disturbances exist. Prioritized redundancy resolution in kinematic level is incorporated into this passivity-based control framework. The kinematic and dynamic parameter adaptations are driven by both tracking error and prediction error. Moreover, the tracking information from both primary and subtasks are all utilized to accelerate the parameter estimation when the tasks are independent, whereas the inevitable tracking error of the subtasks due to algorithmic singularities is properly eliminated in the adaptation laws when the tasks are dependent. Potential ill-conditioned solution of the pseudoinverse is avoided using an improved singularity-robust inverse of the projected Jacobian. Along with the improvement of the multi-task tracking performance, smoothness of the commanded torques is still guaranteed for easy application. Measurements of the noisy joint acceleration and task velocity are avoided. The controller is mathematically derived based on Lyapunov stability analysis. Simulation results of the two cases are presented to verify the effectiveness and superiority of the proposed controller.     

基于过程监督的序列多任务法律判决预测方法

法律判决预测是人工智能技术在法律领域的应用,因此对法律判决预测方法的研究对于实现智慧司法具有重要的理论价值和实际意义.传统的法律判决预测方法大都是只进行单一任务的预测或仅基于参数共享的多任务预测,并未考虑各子任务之间的序列依存关系,因此预测性能难以得到进一步的提升.文中提出了一个端到端的基于过程监督的序列多任务法律判决...     

面向依赖关系约束的移动群智感知任务协作

现有移动群智感知中,大多研究将每个任务作为独立个体进行处理,对任务间约束关系缺乏研究,为此,提出了基于感知质量优先级的在线任务协作方法（online task collaboration method based on sensing quality priority,TCSP）。该方法首先使用贪婪算法计算感知质量优先级,对全部任务进行筛选以保证任务完成率;然后将选出任务中存在时间先后或执行逻辑前后关系的多个子任务构建为任务协作图,并将其协作过程建模为有约束的马尔可夫决策过程,通过强化学习算法求出最优协作策略。实验结果表明,与现有基线方法相比,所提出的任务协作方法能够减少依赖任务的平均完成时间,有效降低平台的平均感知成本。     

基于任务权重自动优化的多任务序数回归算法

目前,只有少量面向多任务学习的序数回归方法。这些方法假设不同的任务具有相同的权重,对整体模型具有相同的贡献。然而,在真实应用中,不同任务对于整体模型的贡献往往是不同的。为此,提出了一种基于任务权重自动优化的多任务序数回归算法。首先,提出了基于支持向量机的多任务序数回归模型,通过分类器参数共享,实现不同任务之间的信息迁移;其次,考虑到不同任务对整体模型可能具有不同贡献,赋予每个任务一个权重,这些权重将在学习过程中自动优化求解;最后,采用了启发式框架,交替地建立多任务序数回归模型和优化任务权重。实验结果表明,提出方法相比于其他多任务序数回归方法,平均0-1误差降低了3.8%～12.3%,平均绝对误差降低了4.1%～11%。考虑了每个任务的不同权重,通过自动优化这些权重,降低了多任务序数回归模型的分类误差。     

Timing analysis for fixed-priority scheduling of hard real-timesystems

This paper presents a timing analysis for a quite general hard real-time periodic task set on a uniprocessor using fixed-priority methods. Periodic tasks are composed of serially executed subtasks, where each subtask is characterized by an execution time, a fixed priority and a deadline. A method for determining the schedulability of each task and subtask is presented along with its theoretical underpinnings. This method can be used to analyze the schedulability of any task set on a uniprocessor whose priority structure can be modeled as serially executed subtasks, which can lead to a very complex priority structure. Important examples include task sets that involve interrupts, certain synchronization protocols, certain precedence constraints, nonpreemptible sections, and some message-passing systems. The method is illustrated by a robotics example     

Workload-based multi-task scheduling in cloud manufacturing

Cloud manufacturing is an emerging service-oriented business model that integrates distributed manufacturing resources, transforms them into manufacturing services, and manages the services centrally. Cloud manufacturing allows multiple users to request services at the same time by submitting their requirement tasks to a cloud manufacturing platform. The centralized management and operation of manufacturing services enable cloud manufacturing to deal with multiple manufacturing tasks in parallel. An important issue with cloud manufacturing is therefore how to optimally schedule multiple manufacturing tasks to achieve better performance of a cloud manufacturing system. Task workload provides an important basis for task scheduling in cloud manufacturing. Based on this idea, we present a cloud manufacturing multi-task scheduling model that incorporates task workload modelling and a number of other essential ingredients regarding services such as service efficiency coefficient and service quantity. Then we investigate the effects of different workload-based task scheduling methods on system performance such as total completion time and service utilization. Scenarios with or without time constraints are separately investigated in detail. Results from simulation experiments indicate that scheduling larger workload tasks with a higher priority can shorten the makespan and increase service utilization without decreasing task fulfilment quality when there is no time constraint. When time constraint is involved, the above strategy enables more tasks to be successfully fulfilled within the time constraint, and task fulfilment quality also does not deteriorate.     

模拟实时系统的点区间优先级时间Petri网与TCTL验证

时间Petri网为实时系统提供了一种形式化的建模方法, 时间计算树逻辑(TCTL)为描述实时系统与时间相关的设计需求提供了一种逻辑化的表达方式, 因此基于时间Petri网的TCTL模型检测广泛应用于实时系统的正确性验证.然而对于一些涉及优先级的实时系统, 例如多核多任务实时系统, 这里不仅需要考虑任务之间的时间约束还要考虑任务执行的优先级以及引入优先级带来的抢占式调度问题, 致使相应的建模和分析变得更加困难.为此, 本文提出了点区间优先级时间Petri网, 通过在时间Petri网上定义变迁发生的优先级以及变迁的可挂起性, 从而可以模拟实时系统的抢占式调度机制, 即首先高优先级的任务抢占低优先级的任务所占用的资源, 导致后者被中断, 然后前者执行完毕后释放资源, 最后后者再次获得资源从中断的地方恢复.本文通过点区间优先级时间Petri网来模拟多核多任务实时系统, 使用TCTL来描述它们的设计需求, 设计了相应的模型检测算法, 开发了相应的模型检测器以验证它们的正确性.我们通过一个实例来说明我们的模型和方法的有效性.