Hadoop平台下改进的推测任务调度算法

研究对比Hadoop平台下默认的推测任务调度算法和异构环境下LATE调度算法的优势和不足,提出了一种基于Hadoop集群的改进的推测任务调度算法.该算法以节点历史信息对Reduce任务各阶段比例进行动态调整和更新,并对任务实时处理速率进行局部平滑处理来提高预估任务剩余完成时间的准确性,最后采用MCP模型对备份任务有效性进行验证.通过实验结果分析可知:该算法能够有效提升备份任务成功率,减少作业完成时间.     

基于动态备份的容错网格任务调度*

提出了一种基于自适应备份的网格容错任务调度算法:最高百分之k备份算法.该算法对任务的安全需求和资源的信任等级进行匹配,在系统安全等级较低并且网络和主机可能失效的网格环境中进行容错任务调度.调度时,该算法根据整个网格系统的安全状况,对具有最高安全需求的百分之k的任务进行动态备份,任务备份数根据系统安全状况自适应变化,并对失败的任务重新调度.仿真结果表明,该算法可以有效提高不安全网格环境下的任务调度成功率,具有很好的容错性和可扩展性,优于固定备份数的网格任务调度算法.     

一种全局较优的静态任务调度算法

针对现有任务调度算法优先级选取过于单一所产生局部较优调度结果的问题,从全局较优出发,提出一种先分层后分支决定优先级的静态任务调度算法—HGCOTS算法。该算法考虑了任务间较大的通信开销和冗余任务对异构CMP任务调度效率的影响,通过综合区间插入和任务复制技术最大限度地降低了任务间的通信开销,对冗余任务进行删除,明显提高了任务调度效率。使用随机生成图进行模拟实验,与其他算法相比,新算法具有更小的调度长度。     

离散微粒群优化算法在网格任务调度中的应用

网格任务调度算法是影响网格成功与否的关键技术之一.在研究现有任务调度策略的基础上,指出Min-Min算法的负载不均衡性.借鉴遗传算法中的交叉操作过程,提出了一种新的任务调度算法.该算法对传统的连续型微粒群优化算法进行改进,使其适用于网格任务调度问题的优化处理,实现网格资源的优化分配.仿真研究表明该算法更符合网格调度的复杂环境,能得到较短的任务执行时间和较好的负载均衡性.对比分析表明,离散微粒群优化算法所得结果优于常用的Min-Min调度方案,是一种高效的调度方法.     

对等网络环境下基于多属性约束的任务调度算法研究

为了提高对等网络环境中的任务调度效率,提出将资源属性与任务属性相结合的多约束任务调度算法MDSA.在该算法的实现过程中,依据被调度的任务类型和隶属函数的定义,将对等网络环境划分为不同的虚拟社群,并将不同类型的任务提交到对应需求的虚拟社群中;将对等网络抽象描述为资源属性的集合,并定义了待调度的任务集合;以资源和任务属性的多约束信息为基础,利用待调度任务的时限属性信息形成调度队列,借助于预判机制和二级调度的思想对任务进行调度,并应用NS2和GridSim工具包对MDSA调度算法进行了测试.通过对仿真结果中的数据进行分析和比较,验证了多属性约束调度算法MDSA的优势.     

基于HEFT和CPOP的相关任务表调度算法

DAG任务调度是当前研究的热点,DAG任务模型中任务的调度顺序一方面会影响用户服务满意质量,另一方面也会影响云服务资源的利用率,高效的任务调度算法能够使多核处理器的资源分配和并行计算能力更强.表调度算法HEFT算法以及CPOP算法在相关任务调度中存在效率较低等问题.本文基于HEFT算法和CPOP算法,提出了一种相关任务调度模型和相关任务调度算法IHEFT算法,对任务排序和任务调度两个方面进行改进.任务排序阶段,以任务的方差以及平均通信代价作为排序的依据;任务调度阶段,对满足任务复制条件的结点进行任务复制.实验证明,IHEFT算法在任务调度跨度、任务调度平均等待时间以及平均Slack值方面均优于HEFT算法和CPOP算法.     

云环境下基于强化学习的多目标任务调度算法

针对云计算环境下的多目标任务调度问题,提出一种新的基于Q学习的多目标优化任务调度算法(Multi-objective Task Scheduling Algorithm based on Q-learning,QM TS).该算法的主要思想是:首先,在任务排序阶段利用Q-learning算法中的自学习过程得到更加合理的任务序列;然后,在虚拟机分配阶段使用线性加权法综合考虑任务最早完成时间和计算节点的计算成本,达到同时优化多目标问题的目的;最后,以产生更小的makespan和总成本为目标函数对任务进行调度,得到任务完成后的实验结果.实验结果表明,QMTS算法在使用Q-learning对任务进行排序后可以得到比HEFT算法更小的makespan;并且根据优化多目标调度策略在任务执行过程中减少了makespan和总成本,是一种有效的多目标优化任务调度算法.     

云计算环境下基于模板的任务调度策略与算法

针对云计算任务调度,提出了一种基于模板的任务调度（Template-based Task Scheduling,TTS）策略。该策略充分考虑了通信开销,在对任务分配进行预处理的基础上实现任务调度,主要分为两步：针对一个任务集合,采用可分任务调度求解子任务大小的方法,求出各个处理机应该分担的任务量模板;根据求出的模板,采用合理的调度算法对任务进行调度,从而得到较优的调度结果。在TTS策略下,对传统贪心算法加以改进,最终提出基于模板的任务调度贪心算法（Template-based Task Scheduling Greedy Algorithm,TTSGdA）。与Min-min算法和遗传算法的对比实验结果表明,TTSGdA能够有效减少任务集合完成时间。     

一种异构计算系统中考虑通信冲突的有效任务调度算法

任务调度是异构计算的核心问题之一 .现有的异构计算系统的任务调度算法基本上没有考虑任务通信时可能在同一通道中发生冲突的情况 ,因而造成任务调度的结果与实际运行结果之间的差异 .本文提出了一种异构计算系统中的基于表调度 (list scheduling)的启发式任务调度算法 ,该算法考虑了任务通信中通道冲突的情况 ,在不提高算法复杂度的同时提高了任务调度的性能 .文中还通过实例结果的比较说明了该算法的有效性     

面向区分服务的可重构任务在线调度算法

现有的先来先服务和预约调度算法中可重构任务调度顺序取决于该任务到达次序,无法体现不同任务的优先级差异以及前后任务的时间关联性,为此提出一种基于预约抢占的可重构任务在线调度算法.通过区分不同任务的优先级属性,并引入任务紧迫度的概念,实现差异化任务调度;对已预约任务采用预约失效机制,使高优先级或同优先级中紧迫度较大的新任务优先调度,从而实现对已预约任务队列进行抢占式调度.实验结果表明,该算法能有效地提高任务的整体调度成功率,并可优先保证高优先级任务的调度成功率.     

一种非对称多核SDR的任务调度和分配算法

针对软件无线电(SDR)应用同步数据流的特点,提出一种非对称多核SDR的任务调度和分配算法。该算法综合考虑任务之间的通信时间和任务固定流水,保证任务调度和分配的通用性和并行性。利用整数线性规划(ILP)方法对任务调度和分配进行建模,采用任务拆分方法优化调度和分配的结果,进一步提高任务调度和分配的执行效率。在目标SDR平台上实现IEEE 802.11a频偏估计处理的任务调度和分配,实验结果表明,该算法能提高5.97%的软件无线电平台吞吐量和3.03%的处理器核平均利用率,并减少34.31%的处理器核最长空闲等待时间。     

一种改进的基于任务复制的多核调度算法

在多核系统中,任务调度是决定系统性能的关键因素之一。为优化任务调度,基于一些典型的任务调度算法（如PPA,徐成提出的算法等）,提出了一种新的任务调度算法。该算法一方面合理确定前驱任务复制的先后顺序,而且进行两个阶段的复制,从而可以复制更多的前驱任务以减少调度长度和处理器上空余时间;另一方面,通过去除不影响任务系统调度长度的冗余簇,然后进行簇之间的合并,以减少处理机的数目和调度长度。实验表明,改进后的算法在任务调度的性能上优于典型算法。     

可重构系统功耗相关的硬件任务调度算法

面向可重构系统,提出了一种功耗相关的硬件任务调度算法（Energy—Efficient HardwareTask Schedu—ling,EEHTS）。动态电压调整（DynamicVoltage Scaling,DVS）技术通过在软件任务运行时动态改变CPU的运行电压而降低系统功耗。类似地,EEHTS算法在硬件任务调度时动态改变FPGA的工作频率,达到降低功耗的目的。模拟实验结果表明,EEHTS算法在不影响硬件任务截止期要求的前提下,可以有效降低系统功耗。     

LTE下行基于QoS的混合业务调度算法

针对现有调度算法不能同时满足多用户多业务的性能需求等问题,提出了一种新的基于服务质量（QoS）的长期演进（LTE）项目下行调度算法。该算法改进了修正的最大加权时延优先（M—LWDF）算法的延时分式,用信道质量指示（CQI）值直接替代用户的瞬时速率,降低了计算复杂度。此外,兼顾了确保比特率（GBR）和QoS等级标识符（QCI）等QoS参数。仿真结果表明,该算法在保证小区的频谱效率的前提下,降低了实时业务的延时,提高了非实时业务的吞吐量,对LTE下行链路是一个很好的选择。     

基于延迟调度策略的Reduce调度优化算法

在大规模的Hadoop集群中,良好的任务调度策略对提高数据本地性、减小网络传输开销、减少作业执行时间以及提高集群的作业吞吐量都有着重要的影响。本文针对Hadoop架构中Reduce任务的数据本地性较低问题,提出了一种基于延迟调度策略的Reduce任务调度优化算法,通过提高Reduce任务的数据本地性来减少作业执行时间以及提高作业吞吐量,该算法在Hadoop架构的Early Shuffle阶段,使用多级延迟调度策略来提高Reduce任务的数据本地性。最后重写原生公平调度器代码实现了该调度算法,并与原生公平调度器进行了对比实验分析,实验结果表明该算法明显减少了作业执行时间,提高了集群的作业吞吐量。     

基于PTIDES执行策略的调度算法

分析现有PTIDES执行策略调度算法,综合考虑事件的截止期和执行时间,改进传统最小空闲时间优先算法,将空闲时间作为事件调度优先权,提出零空闲时间优先PTIDES调度算法——ZSFPTIDES。实例分析表明,ZSFPTIDES调度算法能避免事件在处理过程中因得不到及时处理而夭折的现象,减小事件的抢占切换率,优化分布实时嵌入式系统的调度性能。     

跨层穿梭车双提升机系统料箱拣选任务调度

为提高跨层穿梭车系统料箱拣选出库效率,降低任务出库超时率,建立了跨层穿梭车双提升机系统出库任务调度数学模型,并将任务出库期限引入调度策略。在此基础上,使用蚁群-粒子群双层智能优化算法对模型进行了求解,引入随机变异对粒子群算法进行改进,提出使用置换复杂度对粒子变异程度进行控制,避免算法早熟收敛。利用MATLAB进行过程仿真,获得各调度方案的出库总时间和任务超时信息。通过实验证明该策略能更好地适应电商环境下复杂的出库任务调度要求,得到更为合理的任务调度方案。     

距离几何TOA无线定位算法

在无线定位中,精确定位面临的一个主要问题是信号的非视距传播（NLOS）,NLOS的传播会给距离测量值增加较大的正性误差。在TOA测量距离的基础上,提出了距离几何定位算法。算法利用基站与移动台之间的距离几何关系,构造距离误差优化约束函数,对距离测量值进行合理的修正来提高定位精度。仿真结果表明,该算法能够有效地减小NLOS误差的影响,而且在不同的NLOS误差下表现稳定。     

基于GPU的单源最短路径算法设计与实现

针对目前图形处理器(GPU)上的动态数据处理问题,在分析现有并行单源最短路径(SSSP)算法的基础上,对GPU上的Moore SSSP算法进行并行化设计与实现。搜索时,综合应用层次化任务分配、层次化工作队列、层次化Kernel调用等策略。在不同类型图数据上进行实验测试,实验结果表明,该算法能有效减少空线程开销、访存开销以及同步时间。