[论文解读] 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 3

一句话总结

本文提出一种基于遗传算法（GA）的方法，用于优化具有优先级约束的实时多处理器调度问题，旨在最小化完成时间（makespan）。通过将任务到处理器的分配编码为染色体，并利用选择、交叉和变异操作进化染色体，GA 能够高效探索搜索空间，实现接近最优的调度，性能优于传统方法。

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.

研究动机与目标

• 解决实时系统中具有优先级约束的 NP-难多处理器调度问题。
• 开发一种高效的调度算法，以最小化多处理器环境下的总执行时间（makespan）。
• 利用遗传算法在复杂且受约束的调度场景中实现稳健优化。
• 通过智能的处理器分配减少任务完成时间，从而提升系统性能与可靠性。
• 证明遗传算法在处理具有高计算复杂度的优先级调度问题中的有效性。

提出的方法

• 将调度问题建模为具有任务优先级约束的组合优化问题。
• 采用遗传算法，将任务到处理器的分配编码为二进制或整数染色体。
• 应用选择、交叉和变异算子，使种群向更低的完成时间（makespan）方向进化。
• 适应度函数定义为完成时间的倒数，倾向于选择完成时间更短的解。
• 算法通过多代迭代进化，逐步收敛到高质量的调度方案。
• 通过在适应度评估和修复机制中引入优先级和依赖约束，确保在进化过程中保持任务的优先级与依赖关系。

实验结果

研究问题

• RQ1 遗传算法能否在具有优先级约束的任务调度中有效最小化完成时间（makespan）？
• RQ2 与传统调度启发式方法相比，所提出的 GA 在完成时间与收敛性方面表现如何？
• RQ3 遗传算法在 NP-难调度问题的搜索空间中，能在多大程度上平衡探索与开发？
• RQ4 遗传算法在进化过程中如何有效保持任务优先级与依赖约束？
• RQ5 该 GA 方法在不同任务集与处理器数量下的可扩展性与鲁棒性如何？

主要发现

• 所提出的 GA 方法相比传统启发式方法，显著降低了完成时间（makespan）。
• 该算法在多种测试案例中表现出稳健的收敛性，涵盖不同优先级与工作负载的任务。
• 基于完成时间的适应度评估能有效引导搜索，趋向最优或近似最优解。
• 在适应度函数中引入优先级约束，确保高优先级任务在不违反依赖关系的前提下被优先调度。
• 该方法在处理多样化任务集与处理器配置时表现出良好的可扩展性与稳定性。
• 结果证实，遗传算法是求解具有优先级约束的 NP-难多处理器调度问题的可行且高效方法。