基于粒子群優(yōu)化的異構(gòu)多處理器任務(wù)調(diào)度算法的研究應(yīng)用.pdf

1、異構(gòu)多處理器系統(tǒng)由一組具有不同處理能力的處理器構(gòu)成，任務(wù)調(diào)度成為改進(jìn)系統(tǒng)性能的關(guān)鍵因素。如何合理地將任務(wù)分配給不同處理器，使整個(gè)系統(tǒng)性能達(dá)到最佳，是任務(wù)調(diào)度需要解決的問題。由于異構(gòu)多處理器系統(tǒng)的異構(gòu)性、靈活性和復(fù)雜性等特點(diǎn)，使得傳統(tǒng)的調(diào)度算法面臨新的挑戰(zhàn)。因此，在分析現(xiàn)有調(diào)度算法的基礎(chǔ)上提出一個(gè)好的調(diào)度算法，充分利用各種計(jì)算資源，盡可能提高異構(gòu)多處理系統(tǒng)資源利用率和吞吐量，是一個(gè)重要而現(xiàn)實(shí)的問題。
　　 粒子群優(yōu)化算法是近年興起

2、的一種用于解決優(yōu)化問題的啟發(fā)式算法，具有自組織、自學(xué)習(xí)、自適應(yīng)、多點(diǎn)并行及有指導(dǎo)的搜索等特點(diǎn)，被廣泛用于解決各類NP問題和任務(wù)調(diào)度問題。已有仿真實(shí)驗(yàn)證明：在處理任務(wù)調(diào)度問題時(shí)，粒子群優(yōu)化算法與傳統(tǒng)調(diào)度算法相比更具優(yōu)越性。
　　 本文對(duì)異構(gòu)多處理器系統(tǒng)的任務(wù)調(diào)度策略與調(diào)度算法進(jìn)行了較為深入的研究，并在已有工作的基礎(chǔ)上進(jìn)行了探索和創(chuàng)新，取得了一定的成果。具體內(nèi)容體現(xiàn)在如下幾個(gè)方面：
　　 (1)針對(duì)異構(gòu)多處理器系統(tǒng)獨(dú)立任務(wù)調(diào)

3、度問題，本論文提出改進(jìn)的粒子群優(yōu)化算法。通過分析每個(gè)處理器的計(jì)算能力，建立異構(gòu)多處理器系統(tǒng)獨(dú)立任務(wù)的調(diào)度模型。在計(jì)算適應(yīng)值函數(shù)時(shí)，本文對(duì)粒子的位置值進(jìn)行取整運(yùn)算，使粒子群優(yōu)化算法更好的應(yīng)用于離散空間。同時(shí)利用調(diào)整慣性權(quán)重的策略來提高全局收斂速度，克服粒子在迭代后期搜索性能下降的缺點(diǎn)。和局部粒子群優(yōu)化算法、全局粒子群優(yōu)化算法相比，仿真結(jié)果證明了本文提出的改進(jìn)算法能在極短的時(shí)間內(nèi)，獲得較好的調(diào)度結(jié)果。
　　 (2)針對(duì)異構(gòu)多處理器系

4、統(tǒng)DAG任務(wù)調(diào)度問題，本論文提出一種基于混合粒子群優(yōu)化的任務(wù)調(diào)度算法。通過分析DAG任務(wù)模型特點(diǎn)建立異構(gòu)多處理器任務(wù)調(diào)度的數(shù)學(xué)模型。為了使粒子群算法能更好的應(yīng)用到離散領(lǐng)域，引入交換運(yùn)算的概念，構(gòu)造一種特殊的粒子群優(yōu)化算法。同時(shí)加入爬山算法能夠克服粒子群算法早熟收斂和局部搜索能力不足的缺陷，達(dá)到加速算法收斂，提高運(yùn)行質(zhì)量的效果。和遺傳算法、基本粒子群算法相比，本文所提出的混合粒子群優(yōu)化算法能夠在更短的時(shí)間內(nèi)得到較好的調(diào)度結(jié)果，特別適合應(yīng)用