[发明专利]一种面向可分割任务的粒子群调度方法

说明书

本发明涉及一种面向可分割任务的粒子群调度方法，包括：将待调度的任务分割为子任务后，以随机产生的任务分配方案作为一个粒子，以任务分配方案对应的时间性能作为粒子的适应度，以粒子适应度之间的差值计算粒子之间相互移动的速度，对粒子群做多次进化，从多次进化的结果中选出适应度最好的粒子；最后结合开销值，对适应度最好的粒子所对应的任务分配方案中的各个子任务做子任务调度。

技术领域

本发明涉及计算机网络技术，特别涉及一种面向可分割任务的粒子群调度方法。

背景技术

常见的任务调度方法有多种，其中一部分方法是将任务视为不可拆分的整体进行调度，这类方法可列举如下：

Min-Min算法首先预测出当前任务队列中每一个任务在各个处理器上的最小完成时间，然后将具有最小完成时间的任务分配给相应的处理器，同时更新相应的处理器的就绪时间，将被分配的任务从任务队列移去，如此重复分配剩余的任务，直至整个任务队列为空。Min-Min算法易出现负载不均衡现象。

Max-Min算法与Min-Min算法不同之处在于，在确定了每个任务在各个处理器上的最早完成时间之后，将具有最大的最早完成时间的任务分配给相应的处理器，并及时更新相应的处理器就绪时间，对于剩下的任务进行重复处理。Max-Min算法在负载均衡方面比Min-Min算法有所改善。

Promethee算法在任务端，根据用户自定义的标准(例如任务规模、在当前处理器上的预测执行用时、花销等指标中的一种，也可以是将多种指标进行加权处理得到的综合性能指标)将待执行的任务进行优先级排序；在处理器端，实时监控机器状态，一旦有机器出现空闲状态，便根据事先得到的任务优先级排序将优先级最高的任务分配到当前空闲的机器上去。仿真表明，适当地调整各个性能指标之间的权值，可使算法实现多方面的性能最优。

另有一些方法提出将任务分割为多个子任务进行逐个调度，但是分析的任务对象仅限于某一个具体任务，并没有涉及到大批量任务同时出现、多种分割方式并存的情形，这类方法可列举如下：

对时序相关子任务并行调度的遗传算法首先分析了子任务之间的时序要求，对所有子任务执行时的时间深度值进行排序。然后随机生成若干种“子任务-节点”分配矩阵，每一种“子任务-节点”矩阵即为一种分配方案。算法的思路是随机生成若干种分配方案构成初始种群，并对种群中的个体进行变异和筛选操作，使之逐代改进，从而得到新的、完成时间更短的方案。经过很多代遗传算法之后，可以得出稳定的、较优的解。但是遗传算法的复杂度较高，在网络中任务总数较多的情况下会造成很大的计算时延。

EDTS算法是针对一个任务内部的N步子任务进行最优调度的方法，算法首先预测出各个子任务在所有机器上执行所花费的时间及能耗，然后为这一连串任务设定了总截止时间，在固定的总截止时间下，结合已有的时序关系，找出尽可能节能的子任务分配方式，但EDTS算法只是针对一个任务进行拆分、调度，实现的是一个任务自身的性能最优，当网络中出现大量媒体任务时，子任务之间由于时序约束造成的相互等待时长较长，每个任务的局部最优与整体的优化是矛盾的。

发明内容

本发明的目的在于克服现有技术中的子任务调度方法复杂度高、计算时延大、能耗高等缺陷，从而提供一种综合衡量时间、能耗的子任务调度方法。

为了实现上述目的，本发明提供了一种面向可分割任务的粒子群调度方法，包括：

将待调度的任务分割为子任务后，以随机产生的任务分配方案作为一个粒子，以任务分配方案对应的时间性能作为粒子的适应度，以粒子适应度之间的差值计算粒子之间相互移动的速度，对粒子群做多次进化，从多次进化的结果中选出适应度最好的粒子；最后结合开销值，对适应度最好的粒子所对应的任务分配方案中的各个子任务做子任务调度。

上述技术方案中，该方法具体包括：