[논문 리뷰] A Novel Hybrid Algorithm for Task Graph Scheduling

Vahid Majid Nezhad, Habib Motee Gader외 1명|arXiv (Cornell University)|2011. 06. 09.

Distributed and Parallel Computing Systems참고 문헌 8인용 수 10

한 줄 요약

이 논문은 다중프로세서 환경에서 작업 그래프 스케줄링 문제(이는 NP-난이도 문제임)를 해결하기 위해 유전 알고리즘(GA)과 학습 자동기(LA)를 융합한 새로운 하이브리드 알고리즘을 제안한다. 방법은 GA의 개체군으로 초기화된 후, 각 염색체를 학습 자동기로 매핑하여 적응형 스케줄링을 구현한다. 실험 결과, 제안된 방법은 기존 방법 대비 종료시간(makespan)을 줄이고 스케줄링 효율을 향상시키는 데 뛰어난 성능을 보였다.

ABSTRACT

One of the important problems in multiprocessor systems is Task Graph Scheduling. Task Graph Scheduling is an NP-Hard problem. Both learning automata and genetic algorithms are search tools which are used for solving many NP-Hard problems. In this paper a new hybrid method based on Genetic Algorithm and Learning Automata is proposed. The proposed algorithm begins with an initial population of randomly generated chromosomes and after some stages, each chromosome maps to an automaton. Experimental results show that superiority of the proposed algorithm over the current approaches.

연구 동기 및 목표

• 다중프로세서 환경에서의 NP-난이도 작업 그래프 스케줄링 문제를 해결하기 위해.
• 유전 알고리즘의 전역 탐색 능력과 학습 자동기의 적응형 학습 능력을 활용하기 위해.
• 스케줄링 품질과 수렴 속도를 향상시키는 하이브리드 프레임워크를 개발하기 위해.
• 기존 최첨단 스케줄링 알고리즘과의 비교를 통해 제안된 방법의 성능을 평가하기 위해.
• 진화적 학습과 강화 학습 기법의 융합이 작업 스케줄링에 효과적인지 입증하기 위해.

제안 방법

• 알고리즘은 임의로 생성된 염색체 개체군으로 시작하며, 이는 잠재적 작업 스케줄을 나타낸다.
• 각 염색체는 스케줄링 과정에서 적응형 의사결정을 가능하게 하기 위해 학습 자동기로 매핑된다.
• 하이브리드 접근 방식은 GA를 탐색에, LA를 개선에 사용하여 반복적으로 해를 정교화한다.
• 적합도 평가 기준은 작업 스케줄링에서 핵심 지표인 종료시간 최소화이다.
• 선택, 교차, 변이 및 자동기 기반 학습 업데이트를 통해 알고리즘이 해를 진화시킨다.
• 학습 자동기는 스케줄링 환경의 피드백에 기반하여 작업 할당 결정을 정교화한다.

실험 결과

연구 질문

• RQ1 유전 알고리즘과 학습 자동기를 융합한 하이브리드 접근 방식이 작업 그래프 스케줄링 성능을 향상시킬 수 있는가?
• RQ2 제안된 알고리즘이 기존의 단일 GA 또는 LA 방법에 비해 종료시간과 수렴 속도 측면에서 어떻게 비교되는가?
• RQ3 학습 자동기의 통합이 스케줄링 과정의 적응성과 효율성을 향상시키는가?
• RQ4 초기 개체군과 염색체-자기기 매핑 방식이 해 품질에 어떤 영향을 미치는가?
• RQ5 이러한 하이브리드 모델은 다양한 작업 그래프 워크로드에서 더 뛰어난 확장성과 강건성을 달성할 수 있는가?

주요 결과

• 제안된 하이브리드 알고리즘은 단독 GA 및 LA 방법에 비해 평균 종료시간이 더 낮게 도달한다.
• 학습 자동기의 통합은 수렴 속도 향상과 해의 안정성 향상에 뚜렷한 기여를 한다.
• 실험 결과, 실행 시간과 스케줄링 품질 양 측면에서 뛰어난 성능을 입증한다.
• 다양한 작업 그래프 구성과 시스템 크기에서 알고리즘이 강건함을 보였다.
• 확장성과 적응성 측면에서 기존 방법을 모두 능가하는 성능을 보였다.
• 염색체를 학습 자동기로 매핑하는 방식이 탐색과 개선의 효과적인 균형을 이룬다.