基于人工蜂群算法的中继卫星任务调度研究

研究中继卫星任务调度问题可以为跟踪与数据中继卫星系统(TDRSS)的任务计划编排提供科学合理的决策方法,任务调度模型的建立与调度算法的设计是中继卫星任务调度的两个关键问题。该文针对中继卫星任务调度问题特点,综合考虑中继卫星与用户航天器之间具有可见时间窗、用户提交的任务属性、中继卫星前向资源受限等约束条件,建立了中继卫星任务调度约束规划模型并提出基于人工蜂群(ABC)算法的中继卫星任务调度算法。最后,通过仿真数据分析,表明基于人工蜂群算法的中继卫星任务调度算法是一种有效的、合理的调度方法。     

基于混合算法的云计算任务调度方法研究

目前针对任务调度方法的研究中,为了降低研究难度,通常只针对某一个考量任务调度方法好坏的尺度进行研究,经常会出现优化后的方法以较高的计算成本为代价换来较短的任务完成时间,有时是得不偿失的。因此该文将任务完成时间和计算成本均作为优化的目标,对任务调度方法进行研究,平衡任务完成时间和计算成本,提高云计算的效率。该文使用遗传优化算法对上述提出的任务调度问题进行求解,并将模拟退火算法、自适应机理相结合,建立更加适合云计算任务调度求解的混合优化算法。最后,通过实验分析,以仅对任务完成时间优化和仅对计算成本优化的算法进行比较,该文研究的混合算法的云计算任务调度方法能够有效平衡任务完成时间和计算成本,有效提高云计算的效率,降低其计算成本。     

基于预配置和配置重用的粗粒度动态可重构系统任务调度技术

配置时间过长是制约可重构系统整体性能提升的重要因素,而合理的任务调度技术可有效降低系统配置时间。该文针对粗粒度动态可重构系统(CGDRS)和具有数据依赖关系的流应用,提出了一种3维任务调度模型。首先基于该模型,设计了一种基于预配置策略的任务调度算法(CPSA);然后根据任务间的配置重用性,提出了间隔配置重用与连续配置重用策略,并据此对CPSA算法进行改进。实验结果证明,CPSA算法能够有效解决调度死锁问题、降低流应用执行时间并提高调度成功率。与其它调度算法相比,对流应用执行时间的平均优化比例达到6.13%～19.53%。     

区域医疗数据采集方法优化

本文研究了ETL任务调度优化问题,提出了一套基于Kettle改进的集群调度策略。该策略将ETL任务调度分为任务预处理、任务分配和任务执行三个阶段。任务预处理阶段根据业务紧迫度和任务负载模式,构建任务初始调度序列。任务分配阶段为了避免集群负载不均衡,依据任务待处理数据规模,引入贪心算法思想进行任务调度分配。任务执行阶段为保证任务执行机会均等,采用高响应比优先算法执行任务。实验结果表明本文所提策略对比Kettle原始策略,能够有效提升任务执行效率、缩短关键任务执行时间。     

电力云计算中关联任务调度算法

针对传统电力系统计算平台在计算、存储、信息集成和分析等方面的不足,建立基于云计算的电力系统计算平台。针对电力云计算平台中对关联任务调度进行调度时出现任务执行延迟的问题,提出了一种基于任务分层算法DAG。算法将任务按任务集合优先级的高低顺序调度至具有最小完成时间的资源上。试验证明关联任务调度算法能够有效地减缓关联任务延迟。     

一种基于风险感知策略的多节点任务调度方法

为解决无人机(UAV)集群任务调度时面临各节点动态、不稳定的情况,该文提出一种面向多计算节点的可尽量避免任务中断且具有容错性的任务调度方法。该方法首先为基于多计算节点构建了一个以最小化任务平均完成时间为优化目标的任务分配策略;然后基于任务的完成时间和边缘计算节点的存留时间两者的概率分布,将任务计算节点上的执行风险量化成额外开销时间;最后以任务的完成时间与额外开销时间之和替换原本的完成时间,设计了风险感知的任务分配策略。在仿真环境下将该文提出的任务调度方法与3种基准调度方法进行了对比实验,实验结果表明该方法能够有效地降低任务平均响应时间、任务平均执行次数以及任务截止时间错失率。证明该文提出的方法降低了任务重调度和重新执行带来的额外开销,可实现分布式协同计算任务的调度工作,为复杂场景下的无人机集群网络提供新的技术支持。     

基于双仲裁机制和田口正交法的猫群优化任务调度算法

针对异构计算系统任务调度过程中通信冲突以及算法运行时间的问题,该文提出一种基于双仲裁机制和田口正交法的猫群优化任务调度算法。首先利用双仲裁机制对任务资源进行管理,动态判决任务的分配,有效避免通信冲突,再将田口正交法应用到猫群优化过程的跟踪模式中,降低算法运行时间,提高解的质量。实验结果表明,该算法运行速度明显高于其他算法至少约10%,算法在处理大量任务时的并行化效果最优,在异构环境中也体现出其相当大的优势。     

基于3D碎裂度布局策略的可重构硬件任务调度算法

现有硬件任务调度算法任务描述不完善且忽视时间维上紧凑性。该文考虑任务下载时间、完善任务属性,以器件2维资源与时间建立3维资源模型,将任务布局问题抽象成特殊的3维空间放置问题,在此模型上分析出现有算法不能克服任务不可预知性和资源占用多变性,导致调度成功率和资源利用率低。针对此问题,该文提出了一种3维可重构任务调度算法3D_RTSA。设计并实现了基于任务紧迫度的调度策略和基于3D碎裂度的布局策略。与其他4种算法实验对比结果表明,在重负载、小任务C30情况下,3D_RTSA调度成功率比GC, Look-aheadest, SPSA, DTI算法分别高3%, 21%, 28%, 35%左右;在轻负载、大任务C50情况下,资源利用率比Look-aheadest, SPSA算法分别高5%, 18%左右,且该文算法时间复杂度并未增加。     

大规模云计算网络用户短时需求任务调度优化算法

设计一种大规模云计算网络用户短时需求任务调度优化算法,在较短的时间内处理大量的云计算任务,以满足用户短时需求。建立一个大规模云计算网络任务调度模型,将大规模云计算网络任务分配到各个虚拟机节点上,快速完成用户的短时需求任务;再通过遗传算法的个体编解码、自适应函数和遗传操作获取最优任务调度结果;并引入模拟退火算法,在遗传算法获取最佳调度结果的基础上进行局部搜索,直到迭代完成,输出最终的大规模云计算网络用户短时需求任务调度的全局最优解。实验结果表明：所设计算法能够实时关注用户任务执行状态以及用户任务执行时间;当用户任务数量为220时,该算法的单节点最大执行时间约为0.27 s,可提升整个任务调度的性能和效率;且该算法获取任务调度结果的收敛速度快、精度高。     

基于多维资源管理的多功能雷达任务调度算法

针对多功能雷达多维资源管理问题，提出了一种基于多任务并行截止时间优先(MTPEDF)算法的频率自适应MTPEDF(FA-MTPEDF)任务调度方法。该方法利用任务工作频率的可调节性，在任务频谱资源冲突时先进行变频寻优，在寻优失败后才考虑推迟执行时刻，从而达到充分利用系统频谱资源、提升系统事件容量的目的。仿真结果表明，该文方法可以合理分配系统时间、孔径、能量和频谱资源，相比于传统截止时间优先(EDF)算法和MTPEDF算法任务丢失率更低、资源利用率更高，可以有效改善多功能雷达多任务执行能力与资源利用能力。     

Task scheduling algorithm for system-wide information management based on multiple QoS constraints

An ant colony optimization task scheduling algorithm based on multiple quality of service constraint (QoS-ACO) for SWIM was proposed.Focusing on the multiple quality of service (QoS) requirements for task requests completed in system-wide information management (SWIM),considering the task execution time,security and reliability factors,a new evaluate user satisfaction utility function and system task scheduling model were constructed.Using the QoS total utility evaluation function of SWIM service scheduling to update the pheromone of the ant colony algorithm.The simulation results show that under the same conditions,the QoS-ACO algorithm is better than the traditional Min-Min algorithm and particle swarm optimization (PSO) algorithm in terms of task completion time,security,reliability and quality of service total utility evaluation value,and it can ensure that the user's task scheduling quality of service requirements are met,and can better complete the scheduling tasks of the SWIM.     

Network real-time scheduling algorithm based on multi-feature dynamic priority

Real-time task scheduling system structure and task model were proposed aiming at the network real-time scheduling problem.The task degree of urgency was defined by considering the deadline of task,execution time and interval time between works.The task degree of tightness was proposed based on service-level assurance,according to functional importance of different tasks in the real-time task scheduling system.The thrashing limit for avoiding task switching frequently was acquired through dynamic regulation to task priorities by degree of urgency and degree of tightness,which guaranteed the success rate of tasks execution and utilization ratio of client execution.Test simulation results suggest that the multi-feature dynamic priority scheduling strategy improves the success rate of task scheduling and shorten the average response time,which suggests it has obvious superiority compared with BE and EDF scheduling algorithm.     

树形网格自适应调度模型研究

提出一种基于树形计算网格的自适应调度模型,实现对小粒度独立任务和用户大作业的自适应最优调度.通过对网格环境的实时检测,给出了基于节点负载状况、节点任务执行时间和任务特性的自适应调度算法.实验证明该任务调度模型在负载平衡和容错方面具有良好的性能.     

面向多功能雷达的模型参数化脉冲级调度方法

多功能相控阵雷达的任务复杂性和实时性需求不断提高,传统的基于一定驻留周期的任务调度方法不能满足实时切换要求。针对此问题,提出了一种基于脉冲周期的任务切换和实时调度的方法,两级调度器与执行器一体化设计减少任务调度时间开销,综合考虑优先级调度算法和抢占式调度策略确保了任务有效执行,面向任务模型的参数化设计使得任务调度能灵活适应各类作战任务需求。仿真结果表明,此方法能较好地控制高优先级任务丢失率, 获得更高的任务执行有效性。     

硬实时系统中基于任务同步及节能的动态调度算法

提出基于任务同步及节能的动态实时调度算法HDSA(hybrid dynamic scheduling algorithm),以有效地解决任务同步及节能的难题.HDSA 结合RM及EDF算法,在满足任务实时可调度性及任务同步的限制条件下,采用DVFS节省能耗.HDSA包含静态算法及动态算法两部分.静态算法在静态条件下,求出任务的静态速度.动态调度算法在实际运行中,固定临界区的运行速度,并充分回收、利用任务运行时的空闲执行时间,调节处理器的速度,以有效降低能耗并满足实时可调度性.同时避免高优先权任务被阻塞时,临界区继承高优先权任务的速度时所造成的处理器电压开关的频繁切换,因而能有效地降低实时任务调度的成本.实验测试表明,HDSA在调度性能上明显优于目前所知的有效算法.     

EA-DFPSO: An intelligent energy-efficient scheduling algorithm for mobile edge networks

Cloud data centers have become overwhelmed with data-intensive applications due to the limited computational capabilities of mobile terminals. Mobile edge computing is emerging as a potential paradigm to host application execution at the edge of networks to reduce transmission delays. Compute nodes are usually distributed in edge environments, enabling crucially efficient task scheduling among those nodes to achieve reduced processing time. Moreover, it is imperative to conserve edge server energy, enhancing their lifetimes. To this end, this paper proposes a novel task scheduling algorithm named Energy-aware Double-fitness Particle Swarm Optimization (EA-DFPSO) that is based on an improved particle swarm optimization algorithm for achieving energy efficiency in an edge computing environment along with minimal task execution time. The proposed EA-DFPSO algorithm applies a dual fitness function to search for an optimal tasks-scheduling scheme for saving edge server energy while maintaining service quality for tasks. Extensive experimentation demonstrates that our proposed EA-DFPSO algorithm outperforms the existing traditional scheduling algorithms to achieve reduced task completion time and conserve energy in an edge computing environment.     

用于开放式系统的二维优先级实时调度

提出了一种新的用于开放式系统的调度机制,即二维优先级实时调度,它不仅划分任务优先级,还划分调度策略优先级.任务的执行顺序由其调度策略优先级和任务优先级共同决定.它不仅可以解决传统优先级调度机制中机制与调度策略不能相分离的问题,还提高了效率.这种机制中引入的CPU带宽控制策略,可以根据需要实现硬实时、软实时、混合实时不同目标的实时系统,并简化了任务可调度性分析,且可以为不同权限或级别的用户提供不同QoS服务.这种调度架构不仅效率高,而且具有很强的开放性,适用广、易扩展.     

无线传感器/执行器网络任务动态调度策略

针对任务在各执行器的协作问题,提出一种动态调度策略,根据执行器节点的剩余能量和工作状态,利用混合模拟退火的微粒群算法,在任务时效期内,统一安排各任务在执行器上的执行周期,最小化最大完成时间.仿真结果表明,算法具有良好的收敛性能,各执行器的任务完成响应时间和能耗均衡情况均得到改善.     

Crow–penguin optimizer for multiobjective task scheduling strategy in cloud computing

Task scheduling in the cloud is the multiobjective optimization problem, and most of the task scheduling problems fail to offer an effective trade‐off between the load, resource utilization, makespan, and Quality of Service (QoS). To bring a balance in the trade‐off, this paper proposes a method, termed as crow–penguin optimizer for multiobjective task scheduling strategy in cloud computing (CPO‐MTS). The proposed algorithm decides the optimal execution of the available tasks in the available cloud resources in minimal time. The proposed algorithm is the fusion of the Crow Search optimization Algorithm (CSA) and the Penguin Search Optimization Algorithm (PeSOA), and the optimal allocation of the tasks depends on the newly designed optimization algorithm. The proposed algorithm exhibits a better convergence rate and converges to the global optimal solution rather than the local optima. The formulation of the multiobjectives aims at a maximum value through attaining the maximum QoS and resource utilization and minimum load and makespan, respectively. The experimentation is performed using three setups, and the analysis proves that the method attained a better QoS, makespan, Resource Utilization Cost (RUC), and load at a rate of 0.4729, 0.0432, 0.0394, and 0.0298, respectively.