本發(fā)明屬于多核系統(tǒng)任務(wù)調(diào)度方法技術(shù)領(lǐng)域，特別涉及一種基于粒子群算法的多核系統(tǒng)任務(wù)調(diào)度方法。

背景技術(shù)：

為了提高計算機的系統(tǒng)性能和處理能耗問題，對計算機處理器的研究已經(jīng)從單核向多核進行發(fā)展。目前通過多個處理器核的并行工作來完成計算任務(wù)成為解決處理器問題的性能瓶頸。任務(wù)調(diào)度是決定計算機系統(tǒng)性能好壞的因素之一。當(dāng)單一芯片上集成了多個處理器核時，在這些處理器核之間進行多任務(wù)的調(diào)度是十分重要。

在多核系統(tǒng)中，并行程序的執(zhí)行順序取決于每個處理器核分配到任務(wù)的情況，所以制定任務(wù)調(diào)度要有一套好的規(guī)則和策略。好的任務(wù)調(diào)度策略可以減少整個系統(tǒng)的執(zhí)行時間并提高系統(tǒng)的響應(yīng)速度。隨著多核處理器的不斷發(fā)展，任務(wù)調(diào)度對于高性能處理器來說變得十分重要。近年來，針對解決多核處理器的任務(wù)調(diào)度問題出現(xiàn)了不少方案。解決任務(wù)調(diào)度的主要問題在于如何縮短調(diào)度時間，降低通信成本和提高系統(tǒng)性能。

目前，公認(rèn)最有發(fā)展前景的任務(wù)調(diào)度技術(shù)是使用啟發(fā)式算法將任務(wù)劃分為不同的組，然后使用遺傳算法分別對它們進行調(diào)度。實際上，多任務(wù)調(diào)度問題是一個np問題。許多智能算法可以應(yīng)用于多任務(wù)調(diào)度問題，如遺傳算法，粒子群優(yōu)化算法，蟻群算法等。粒子群優(yōu)化pso是kennedy和eberhart在1995年基于群體智能進化提出的計算方法。此算法基于對鳥群覓食行為的研究，類似于遺傳算法。粒子群算法原理簡單并且易于實現(xiàn)。粒子群算法主要用于解決復(fù)雜問題的連續(xù)優(yōu)化，但它在離散組合優(yōu)化中的使用卻是非常有限的。蟻群優(yōu)化aco是另一種智能優(yōu)化算法，該算法是受螞蟻覓食時不斷改變活動路徑這一行為的啟發(fā)。aco是通過不斷更新信息素來獲取最優(yōu)解。但是，因為在初始階段缺少信息素，所以這種算法在開始階段的收斂速度十分緩慢。

技術(shù)實現(xiàn)要素：

為了解決多核處理器的任務(wù)調(diào)度，本發(fā)明提出了一種基于粒子群優(yōu)化算法的混合算法。pso和aco都是可以用于多核多任務(wù)調(diào)度的群智能算法。局部最優(yōu)和全局最優(yōu)可以通過pso和aco的混合來實現(xiàn)。使用pso在初始階段收集最優(yōu)解。當(dāng)產(chǎn)生早熟收斂要出現(xiàn)最終結(jié)果時，再使用aco完成剩余的工作。

本發(fā)明所采用的技術(shù)方案是：一種基于粒子群算法的多核系統(tǒng)任務(wù)調(diào)度方法，其特征在于，包括以下步驟：

步驟1：構(gòu)造任務(wù)調(diào)度模型，生成有向無環(huán)圖dag；

步驟2：初始化基本參數(shù)和信息素；

步驟3：更新信息素以計算任務(wù)間通信時間和適應(yīng)度值；

步驟4：生成全局最優(yōu)解。

本發(fā)明與現(xiàn)有技術(shù)相比，具有的有益的效果是：

(1)高效性。本實驗通過將蟻群算法和粒子群優(yōu)化算法相結(jié)合，在初始階段利用粒子群優(yōu)化算法收集最優(yōu)解，加快迭代速度，然后使用蟻群算法控制信息素的更新，通過不斷優(yōu)化縮短任務(wù)調(diào)度時間。

(2)低成本性。通過該算法找到最佳任務(wù)調(diào)度方法，減少通信開銷，使系統(tǒng)性能達(dá)到最優(yōu)。

附圖說明

圖1是本發(fā)明實施例的流程圖；

圖2是本發(fā)明實施例中包含8個線程，邊上權(quán)重表示通信開銷的dag圖；

圖3是本發(fā)明實施例中混合粒子群優(yōu)化算法hoa和遺傳算法ga的性能比較圖。

具體實施方式

為了便于本領(lǐng)域普通技術(shù)人員理解和實施本發(fā)明，下面結(jié)合附圖及實施例對本發(fā)明作進一步的詳細(xì)描述，應(yīng)當(dāng)理解，此處所描述的實施示例僅用于說明和解釋本發(fā)明，并不用于限定本發(fā)明。

請見圖1，本發(fā)明提供的一種基于粒子群算法的多核系統(tǒng)任務(wù)調(diào)度方法，包括以下步驟：

步驟1：構(gòu)造任務(wù)調(diào)度模型，生成有向無環(huán)圖dag；

多核處理器中的所有處理器核構(gòu)成并行系統(tǒng)，使用有向無環(huán)圖dag將任務(wù)調(diào)度模型轉(zhuǎn)換為數(shù)學(xué)模型，有向無環(huán)圖dag可以描述為g＝(v,e,c,w),其中：

v是頂點集合，該集合是有序的任務(wù)集{vi}；

e是有向邊集{ei}，<vi,vj>∈e表示任務(wù)的先后執(zhí)行順序，vi在前，vj在后，

任務(wù)vi沒有執(zhí)行完就不能執(zhí)行任務(wù)vj；

c表示集合{c(vi,vj)}，c(vi,vj)是端點為vi和vj的帶有權(quán)重的邊，其權(quán)重表示兩個線程之間的通信量和控制相關(guān)度，任務(wù)vi是任務(wù)vj的源點；

w是集合{w(vi,vj)}，表示線程間的通信開銷w(vi,vj)表示執(zhí)行任務(wù)vi和任務(wù)vj的兩個線程之間的通信所需要的時間，當(dāng)這兩個任務(wù)在同一處理器核中運行時，w(vi,vj)設(shè)置為最小值。

圖2是包含8個線程的dag圖。圖中，c＝{c(v1,v3),c(v3,v6),c(v2,v4),c(v4,v6),c(v2,v5),c(v4,v7),c(v5,v7),c(v6,v8),c(v7,v8)}；w＝{w(v1,v3),w(v3,v6),w(v2,v4),w(v4,v6),w(v2,v5),w(v4,v7),w(v5,v7),w(v6,v8),w(v7,v8)}。如v1和v3之間的通信開銷為2(w(v1,v3)＝2)。

在給定數(shù)量的處理器核和任務(wù)線程數(shù)量下隨機生成100個類似以上的dag圖，分別用遺傳算法ga和本發(fā)明的混合算法hoa分別對dag圖進行任務(wù)間通信開銷的計算。計算結(jié)果如下表1所示：

表1

步驟2：初始化基本參數(shù)和信息素；

初始化的基本參數(shù)包括迭代次數(shù)nc的值，螞蟻數(shù)m和節(jié)點數(shù)n。

在起始階段，使用粒子群優(yōu)化算法pso收集最優(yōu)解，將所有的任務(wù)通過調(diào)度方法分配給相同的b-level核，根據(jù)初始解決方案產(chǎn)生合理的調(diào)度序列，生成初始信息素分布，并在路徑的n節(jié)點處添加m螞蟻的信息素。

在多核處理器的任務(wù)調(diào)度算法中，x的位置由二進制值組成。當(dāng)有n個處理器和m個任務(wù)線程時，粒子x的位置可以表示為：

其中，xij的值為1時，表示將線程i分配給處理器核j，xij的值為0，表示線程可以分配給任意一個處理器核。

步驟3：更新信息素以計算任務(wù)間通信時間和適應(yīng)度值；

步驟3.1：根據(jù)當(dāng)前的位置，計算粒子的適應(yīng)度值itsp0，將適應(yīng)度值設(shè)置為個體極值ptbest，計算當(dāng)前位置的個體極限位置pcbest，根據(jù)每個粒子的個體極值ptbest，找出全局極值gtbest和全局極值位置gcbest；

適應(yīng)度函數(shù)f為：

任務(wù)分配和實現(xiàn)所需的最大時間為：ti＝max(tc,v)；其中，tc,v表示處理器核完成任務(wù)所需的時間。

步驟3.2：根據(jù)螞蟻移動到下一個節(jié)點j的概率，將每個螞蟻的起始點放置在每個當(dāng)前解集中，節(jié)點j被放置在當(dāng)前解集中；

蟻群算法的概率迭代算法如下：

其中，k為螞蟻編號，τij表示將任務(wù)i分配給核心j的實時信息素濃度，α和β都表示啟發(fā)式因素；allowedk表示第k次迭代運行時的候選任務(wù)序列集。

步驟3.3：第k只螞蟻路徑c0(f)和全局極值位置gcbest相交獲得c'1(f)，c'1(f)與個體極限位置pcbest相交得c”1(f)，c”1(f)以一定的概率變異到c1(f)，根據(jù)當(dāng)前位置計算路徑長度itsp1；

步驟3.4：判斷適應(yīng)度值是否變小；

若是，則更新位置，k＝k+1(對下一只螞蟻進行操作)，并執(zhí)行下述步驟3.5；

若否，則不更新位置，k＝k+1，并執(zhí)行下述步驟3.5；

步驟3.5：判斷是否所有的螞蟻都進行了步驟3.3-3.4操作；

若是，則執(zhí)行下述步驟3.6；

若否，則回轉(zhuǎn)執(zhí)行步驟3.3；

步驟3.6：更新信息素，并迭代數(shù)加1；

步驟3.7：判斷迭代數(shù)是否達(dá)到最大；

若是，則執(zhí)行步驟4，本流程結(jié)束；

若否，則回轉(zhuǎn)執(zhí)行步驟3.1。

將粒子群大小(螞蟻數(shù))m設(shè)為30；最大迭代數(shù)設(shè)為500；w(i)和c(i)取值在1～10之間；λ值為e＝2.718的自然指數(shù)。圖3是利用設(shè)定的值取數(shù)據(jù)平均值進行混合粒子群優(yōu)化算法hoa和遺傳算法ga的比較。

本發(fā)明是通過對信息素的有效初始化，將蟻群算法和粒子群算法相結(jié)合，同時使用引入遺傳算法的交叉變異策略，以高效地實現(xiàn)多核系統(tǒng)的任務(wù)調(diào)度。本方法實現(xiàn)了縮短任務(wù)調(diào)度的時間，降低通信成本，彌補單方面算法的不足之處。

應(yīng)當(dāng)理解的是，本說明書未詳細(xì)闡述的部分均屬于現(xiàn)有技術(shù)。

應(yīng)當(dāng)理解的是，上述針對較佳實施例的描述較為詳細(xì)，并不能因此而認(rèn)為是對本發(fā)明專利保護范圍的限制，本領(lǐng)域的普通技術(shù)人員在本發(fā)明的啟示下，在不脫離本發(fā)明權(quán)利要求所保護的范圍情況下，還可以做出替換或變形，均落入本發(fā)明的保護范圍之內(nèi)，本發(fā)明的請求保護范圍應(yīng)以所附權(quán)利要求為準(zhǔn)。