面向多任务调度的可重构算法设计

针对在单个逻辑芯片上实现多任务的应用场合,设计了面向多任务调度的可重构算法,以此提高逻辑芯片的资源利用率和任务的响应效率.详细描述了面向多任务调度的重构设计原理,并针对逻辑芯片中多任务的调度种类分别设计了逻辑芯片的重构调度算法,最后选取了多个典型的任务进行对比测试.测试结果表明,使用重构算法之后的逻辑芯片在资源占有率和任务响应延迟上均优于传统的逻辑芯片设计方法.     

考虑时变资源价格因素的Q学习强化和声搜索网格任务调度算法

针对传统网格任务调度算法不考虑价格时变因素缺点,提出一种基于Q学习强化和声搜索算法的考虑时变资源价格因素网格任务调度算法.首先,综合考虑价格时变因素影响,对网格任务调度模型进行改进,提出一种新的调度模型;其次,利用Q学习算法对和声搜索算法进行改进,平衡了算法的广度和深度搜索能力;最后,通过与同类算法的仿真对比结果表明,该算法和模型具有较好的收敛速度优化性能,并且在资源价格满意度和任务调度长度两个层面具有更全面的优化性能.     

基于随机服务模型的云端会话的概率调度算法

对分布式环境中的多用户云端会话的任务调度而言,任务的到达过程、处理单元的状态以及网络传输等都具有不确定性,而传统的调度算法很少考虑这些不确定性。针对这一问题,研究了动态调度问题,并提出了一种概率调度算法,该算法可以提高调度速度和降低状态估计的不准确性。首先建立了排队模型,将所有到达过程组成一个多列,并且假设每个处理单元都有用于任务执行的本地队列,然后使用排队理论计算队列参数,最后基于这些参数,将该调度问题定义为一个非线性规划问题。仿真结果表明相对传统算法,文中所提算法的鲁棒性更高,且具有更快的响应时间。     

多停泊基地约束下港口拖轮作业的一体化调度优化

在分析拖轮调度问题基本性质的基础上,结合多处理器任务调度理论,构建了以拖轮总作业时间最小化为目标函数、考虑多停泊基地条件下的一体化调度优化模型;针对问题特点设计了混合模拟退火算法并对其进行求解;以二维实整数的方式作为解的表现形式,在初始解的生成过程中加入首艘可用拖轮的启发式规则,并运用三点交叉的方式产生新解.数值实例结果表明,所提出的算法收敛性较好,求解结果比现行调度规则所得结果的优化率提高了20%.对系统参数的分析表明:移泊作业所占比例和到港船舶类型对目标函数的影响较大;在拖轮配备中,总作业时间对拖轮配备情况具有极弱的敏感性,而在不同装卸作业时间下总作业时间的变化无规律性.     

边缘计算下基于深度强化学习的车联网任务调度

针对边缘计算下车联网中时延约束型计算任务的卸载执行问题，提出一种基于深度强化学习的任务调度方法。在多边缘服务器场景下，构建软件定义网络辅助的车联网任务卸载系统，给出车辆计算卸载的任务调度模型；根据任务调度的特点，设计一种基于改进指针网络的调度方法，综合考虑任务调度和计算资源分配的复杂性，采用深度强化学习算法对指针网络进行训练；运用训练好的指针网络对车辆卸载任务进行调度。仿真结果表明：在边缘服务器计算资源相同的情况下，该方法在处理时延约束型计算任务的数量方面优于其他方法，有效提高了车联网任务卸载系统的服务能力。     

子任务调度和时延联合优化的MEC卸载方案

移动边缘计算(mobile edge computing, MEC)为5G超低时延业务提供了解决方案。如何设计低时延、高效率的任务卸载方案，是MEC面临的主要难题之一。为此，针对端-边协同MEC服务场景，研究了大型计算任务的低时延、低能耗部分卸载方案，通过将用户任务划分为多个有顺序依赖关系的子任务并构建子任务的有向无环关系图，设计了能够最小化卸载时延的子任务调度方案，提出了基于任务复制的最早卸载执行算法，解决了能耗受限下的任务最小时延卸载计算。仿真结果表明，提出的MEC卸载方案能够有效减少任务处理时延，降低系统能耗。     

基于多Agent的分布式多目标任务调度机制研究

针对分布式计算中任务调度的复杂性、动态性和实时性等特点,构建了一个基于多Agent的分布式多目标任务调度模型．此模型中,设计了一种分布武调度机制,使每个节点都具有独立的调度决策能力,增强了系统的可扩展性．同时为了解决分布式调度所产生的节点间任务通信问题,引入任务与节点相关性等概念,有效地降低了节点间的通信代价．模型对多个评价指标进行了综合衡量,如任务调度开销、任务最早执行时间、负载均衡及节点问的通信量等,并根据任务和系统运行的状态特征,实现多目标任务调度,提高了系统的整体性能．     

服务组合中基于执行性能评价模型的人工任务调度方法

针对服务组合中人工任务的执行问题,给出了一个支持人工任务的组合服务执行引擎.该执行引擎将人工任务作为BPEL中的一个活动,并通过人工服务容器实现人工服务资源对人工任务的执行,能够保证人工服务资源与业务流程间的松散耦合.同时,针对人工任务的执行效率保证问题,建立了包括执行效率、负载均衡以及可靠性等性能指标的人工服务资源执行性能评价模型,以客观地反映人工服务资源任务执行的实际效果.在该模型的基础上,给出了人工任务调度问题的目标函数,并提出了基于执行性能评价模型的人工任务调度算法.实验结果验证了所提出的人工任务调度方法的有效性.     

基于改进型免疫遗传算法对网格中独立任务调度问题的研究

在研究现有任务调度算法的基础上,借鉴生物免疫系统原理中抗体多样性产生及保持机理,定义了基于抗体的矢量距离、亲合力及浓度相关的选择概率,这样可以在进化过程中保留优秀个体,同时抑制抗体群陷于同一极值而停止进化的早熟现象;另一方面,提出父子竞争(PCC)交叉算子和基于浓度调节机制的变异概率,提高抗体群进化速度的同时保留优秀抗体.仿真实验结果表明,算法与其它调度算法比较,更能有效地实现资源的分配,可以成功应用于网格环境下独立任务调度.     

基于变异算子的云计算任务调度算法

为了高效调度云计算中海量的任务,提出一种改进遗传算法(IGA),将变异操作分为两种:变异操作a和变异操作b。变异操作a为随机位置的基因值变异,而变异操作b则是先找出满足一定条件的基因位置,再将该位置的基因值变异成目标基因值,使得每次变异后的染色体都优于变异前的染色体。在算法的前期使用变异操作a,在算法后期即将收敛于最优解时,采用变异操作b以加快收敛的速度。为了避免改进变异操作使算法陷入局部解,在种群初始化时,采用染色体匹配率的方式选择初始化种群,使其均匀的分布在整个解空间上。实验仿真结果表明,改进算法不但使最终完成时间更短,收敛效率更高,而且可以在一定程度上均衡负载,能更有效地实现任务调度。