[论文解读] A Novel Hybrid Algorithm for Task Graph Scheduling

Vahid Majid Nezhad, Habib Motee Gader+1 more|arXiv (Cornell University)|Jun 9, 2011

Distributed and Parallel Computing Systems参考文献 8被引用 10

一句话总结

本文提出了一种新颖的混合算法，结合遗传算法（GA）与学习自动机（LA），用于多处理器系统中的任务图调度，这是一个NP-难问题。该方法以GA种群初始化，随后将每个染色体映射为一个学习自动机，实现自适应调度；实验结果表明，与现有方法相比，该方法在减少完工时间（makespan）和提高调度效率方面表现更优。

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.

研究动机与目标

• 为解决多处理器环境中的NP-难任务图调度问题。
• 利用遗传算法的全局搜索能力与学习自动机的自适应学习能力。
• 开发一种混合框架，以提升调度质量与收敛速度。
• 将所提方法与现有最先进调度算法进行对比评估。
• 证明结合进化计算与强化学习技术在任务调度中的有效性。

提出的方法

• 该算法从随机生成的、代表潜在任务调度方案的染色体种群开始。
• 将每个染色体映射为一个学习自动机，实现在调度过程中的自适应决策。
• 该混合方法利用GA进行探索，利用LA进行开发，通过迭代方式不断优化解。
• 基于完工时间最小化进行适应度评估，这是任务调度中的关键指标。
• 通过选择、交叉、变异以及基于自动机的学习更新，逐步演化出更优解。
• 学习自动机根据调度环境的反馈，不断优化任务分配决策。

实验结果

研究问题

• RQ1 结合遗传算法与学习自动机的混合方法是否能提升任务图调度性能？
• RQ2 与传统的仅使用GA或LA的方法相比，该算法在完工时间和收敛性方面表现如何？
• RQ3 学习自动机的集成是否增强了调度过程的适应性与效率？
• RQ4 初始种群以及染色体到自动机的映射对解的质量有何影响？
• RQ5 该混合模型在不同任务图工作负载下是否具备更好的可扩展性与鲁棒性？

主要发现

• 所提出的混合算法在平均完工时间方面优于独立的GA与LA方法。
• 学习自动机的集成显著提升了收敛速度与解的稳定性。
• 实验结果表明，该方法在执行时间与调度质量方面均表现更优。
• 该算法在各种任务图配置与系统规模下均表现出强鲁棒性。
• 在可扩展性与适应性方面，该混合模型优于现有方法。
• 染色体到学习自动机的映射实现了探索与开发之间的有效平衡。