[論文レビュー] Multiprocessor Scheduling For Tasks With Priority Using GA

G. Padmavathi, S. R. Vijayalakshmi|arXiv (Cornell University)|Jan 12, 2010

Distributed and Parallel Computing Systems被引用数 3

ひとこと要約

本稿では、優先度付きリアルタイムタスクのマルチプロセッサスケジューリングを最適化する遺伝的アルゴリズム（GA）ベースの手法を提案する。目的はマケスパンを最小化することである。タスクからプロセッサへの割り当てを染色体として符号化し、選択、交叉、突然変異を用いて進化させることで、GAは探索空間を効率的に探索し、従来の手法よりも優れた性能で近似的に最適なスケジューリングを達成する。

ABSTRACT

Multiprocessors have emerged as a powerful computing means for running realtime applications, especially where a uniprocessor system would not be sufficient enough to execute all the tasks. The high performance and reliability of multiprocessors have made them a powerful computing resource. Such computing environment requires an efficient algorithm to determine when and on which processor a given task should execute. In multiprocessor systems, an efficient scheduling of a parallel program onto the processors that minimizes the entire execution time is vital for achieving a high performance. This scheduling problem is known to be NPHard. In multiprocessor scheduling problem, a given program is to be scheduled in a given multiprocessor system such that the programs execution time is minimized. The last job must be completed as early as possible. Genetic algorithm (GA) is one of the widely used techniques for constrained optimization problems. Genetic algorithms are basically search algorithms based on the mechanics of natural selection and natural genesis. The main goal behind research on genetic algorithms is robustness i.e. balance between efficiency and efficacy. This paper proposes Genetic algorithm to solve scheduling problem of multiprocessors that minimizes the make span.

研究の動機と目的

• 優先度制約を有するリアルタイムシステムにおけるNP困難なマルチプロセッサスケジューリング問題に対処すること。
• マルチプロセッサ環境における総実行時間（マケスパン）を最小化する効率的なスケジューリングアルゴリズムを開発すること。
• 複雑で制約の厳しいスケジューリング状況における強固な最適化のために遺伝的アルゴリズムを活用すること。
• 知的なプロセッサ割り当てによりタスク完了時間を短縮することで、システムの性能と信頼性を向上させること。
• 高い計算複雑性を有する優先度ベースのタスクスケジューリングにおいて、GAの有効性を実証すること。

提案手法

• スケジューリング問題は、タスクに優先度制約を課した組み合わせ最適化問題としてモデル化される。
• 遺伝的アルゴリズムが採用され、タスクからプロセッサへの割り当てがバイナリまたは整数の染色体として符号化される。
• 選択、交叉、突然変異の演算子が適用され、マケスパンを低減する方向へ集団が進化する。
• 適応度関数はマケスパンの逆数として定義され、短い完了時間を好む。
• アルゴリズムは世代を重ねて反復的に解を進化させ、高品質なスケジュールに収束する。
• 前件関係および優先度制約は、適応度評価および修復メカニズムに統合されることで処理される。

実験結果

リサーチクエスチョン

• RQ1 遺伝的アルゴリズムは、優先度制約付きタスクを有するマルチプロセッサスケジューリングにおいて、マケスパンを効果的に最小化できるか？
• RQ2 提案されたGAは、従来のスケジューリングヒューリスティクスと比較して、マケスパンおよび収束性においてどのように異なるか？
• RQ3 GAは、NP困難なスケジューリング問題の探索空間において、探索と活用のバランスをどの程度適切に保っているか？
• RQ4 GAは進化過程において、タスクの優先度および前件関係制約をどの程度適切に維持しているか？
• RQ5 異なるタスク集合およびプロセッサ数の環境において、GAアプローチのスケーラビリティとロバストネスはいかがなっているか？

主な発見

• 提案されたGAアプローチは、従来のヒューリスティック手法と比較して、マケスパンの顕著な低減を達成した。
• さまざまなタスク優先度およびワークロードを有する複数のテストケースにおいて、アルゴリズムは強固な収束性を示した。
• マケスパンに基づく適応度評価は、最適または近似的に最適な解への探索を効果的に導く。
• 適応度関数に優先度制約を組み込むことで、依存関係を破壊することなく、高優先度タスクが早期にスケジューリングされることが保証された。
• 多様なタスク集合およびプロセッサ構成を扱う上で、本手法はスケーラビリティと安定性を示した。
• 結果から、GAは優先度制約付きのNP困難なマルチプロセッサスケジューリング問題を解くための実用的で効果的なアプローチであることが確認された。