遗传-蚁群算法在高性能计算任务调度中的应用

针对目前高性能计算任务调度策略利用率低、负载不均衡等问题,设计一种基于遗传-蚁群算法的高性能计算任务调度算法(GA-ACO)。GA-ACO分为两个阶段,第一阶段通过遗传算法缩小空间快速搜索到优秀解,紧接着将其转化为蚁群算法的初始信息素;第二阶段提出一种基于蚁群信息素的全局更新策略对收敛速度做出优化。实验分析表明,与蚁群算法和遗传算法相比,该算法缩短了任务完成时间,降低了节点负载率。

基于资源感知的分布式爬虫任务调度方法

文中致力于开发一种基于资源感知的分布式爬虫任务调度方法,以优化分布式环境中各节点的系统资源利用,提升爬虫任务的执行效率。该方法通过引入资源感知调度算法和节点优先级管理,实现对节点中CPU、内存、网络等资源的监测,以便均衡调度爬虫任务,即确保爬虫任务在资源利用率较低的节点上执行,从而有效减轻各个节点之间资源过度占用和不均衡问题。另外,该方法引入的Flask提高了可扩展性,实现了可视化爬虫监控平台。实验结果表明,文中提出的方法在提高爬虫任务执行效率和适应性方面取得了显著效果,为分布式爬虫系统的进一步优化提供了有益指导。

基于深度学习的云平台动态自适应任务调度

云计算环境下任务调度是优化云应用服务质量的热点研究问题,目前工业界和学术界重点关注任务调度策略。然而,现有方法依赖运维人员的系统实现知识或复杂的深度神经网络,需要较高计算资源,产生更高执行成本,难以适应动态变化的多样化任务类型。针对该问题,提出一种基于深度学习的云计算平台动态自适应任务调度策略。首先,从待处理任务、可用云资源及系统运行状态等三方面提取任务调度特征;其次,构建深度学习模型对特征编码,通过多头图注意力机制推理解码以预测策略的任务处理和调度执行成本;最后,根据调度收益从策略集中选择当前最优任务调度策略,同时基于迭代反馈机制计算损失函数以在线优化模型。建立虚拟化云计算服务器集群,实现典型的多种任务调度策略,模拟真实AI任务工作负载。实验结果表明,所提出策略与现有实验选取方法相比能够有效降低响应时间、执行成本及运行能耗。

基于混合策略鲸鱼优化算法的云计算任务调度研究

针对云计算任务调度过程中存在任务执行时间长、系统执行成本过高及系统负载不均衡等问题,提出一种基于混合策略鲸鱼优化算法(MSWOA)的云计算任务调度方法。首先,使用Tent混沌映射初始化鲸鱼种群以提升种群多样性,使鲸鱼个体分布更均匀;其次,提出一种自适应概率阈值以平衡算法的全局搜索能力与局部开发能力,并在算法随机搜索阶段引入莱维飞行策略,扩大算法搜索空间与搜索能力;最后,设计了任务调度过程中的多目标适应度函数,并利用算法求解云计算多目标任务调度问题。通过CloudSim云计算仿真软件对MSWOA进行仿真实验,并将MSWOA与NOA、ZOA、OAWOA、TSWOA算法进行比较,实验结果表明,MSWOA相较于其他算法,在不同任务规模上都取得了更好的效果,不仅降低了任务最大完工时间和系统执行成本,还提升了系统平均负载率,在云计算多目标任务调度中优势显著。

GNNSched:面向GPU的图神经网络推理任务调度框架

由于频繁的显存访问,图神经网络GNN在GPU上运行时往往资源利用率较低。现有的推理框架由于没有考虑GNN输入的不规则性,直接适用到GNN进行推理任务共置时可能会超出显存容量导致任务失败。对于GNN推理任务,需要根据其输入特点预先分析并发任务的显存占用情况,以确保并发任务在GPU上的成功共置。此外,多租户场景提交的推理任务亟需灵活的调度策略,以满足并发推理任务的服务质量要求。为了解决上述问题,提出了GNNSched,其在GPU上高效管理GNN推理任务的共置运行。具体来说,GNNSched将并发推理任务组织为队列,并在算子粒度上根据成本函数估算每个任务的显存占用情况。GNNSched实现了多种调度策略来生成任务组,这些任务组被迭代地提交到GPU并发执行。实验结果表明,GNNSched能够满足并发GNN推理任务的服务质量并降低推理任务的响应时延。

面向异构处理平台任务调度的麻雀优化算法

针对当前异构信号处理平台中各处理器任务数量分配不均衡、处理器性能发挥不完全以及系统运行效率低的问题,文中提出一种面向异构处理平台的麻雀优化算法。该算法利用了麻雀算法较强的全局寻优能力和麻雀种群内部的高效工作机制。在经典麻雀算法基础上,文中提出了符合任务调度的二进制异或编解码规则,将离散的任务分配方案映射为连续的麻雀位置信息。将处理器负载均衡指数作为适应度函数,选取每次迭代中的最优解;在麻雀遍历任务时,采用任务优先级分流排序策略。对通信密集型任务和计算密集型任务采取不同的计算式得到更符合任务特点的遍历顺序,生成随机任务图,并将所提算法同ICPA(Improved Critical Path Algortthm)算法进行对比。仿真结果表明,相比于ICPA算法,所提算法的负载均衡指数平均优化率为60%,各处理器负载情况更加均衡,能更好地发挥异构处理平台的整体效能。

大规模云计算网络用户短时需求任务调度优化算法

设计一种大规模云计算网络用户短时需求任务调度优化算法,在较短的时间内处理大量的云计算任务,以满足用户短时需求。建立一个大规模云计算网络任务调度模型,将大规模云计算网络任务分配到各个虚拟机节点上,快速完成用户的短时需求任务;再通过遗传算法的个体编解码、自适应函数和遗传操作获取最优任务调度结果;并引入模拟退火算法,在遗传算法获取最佳调度结果的基础上进行局部搜索,直到迭代完成,输出最终的大规模云计算网络用户短时需求任务调度的全局最优解。实验结果表明:所设计算法能够实时关注用户任务执行状态以及用户任务执行时间;当用户任务数量为220时,该算法的单节点最大执行时间约为0.27 s,可提升整个任务调度的性能和效率;且该算法获取任务调度结果的收敛速度快、精度高。

基于TTNT数据链多址接入协议的多机协同任务调度方法

为提高无人机蜂群作战中无人机信息交互、资源共享和任务协同的能力,文章基于TTNT数据链SPMA协议,设计高动态变化拓扑下的分层分簇无人机蜂群模型和与之匹配的层次资源与任务调度模型,并对其消息传输进行优化。通过OMNeT++仿真平台,以TTNT数据链中的数据传输标准对信息端到端时延和网络吞吐量进行不同机间传输距离下的对比仿真实验。其结果表明,该方法满足SPMA协议对于消息传输时延的要求,并且引入SPMA协议后可以有效减少网络数据传输冲突,提高了系统约18%的网络吞吐量,提升了无人机信息交互、资源共享和协同作战的能力,对实际无人机蜂群协同任务调度研究具有可参考性。

异构多平台信号处理任务调度研究

简单的并行计算或单一异构平台已经无法满足计算量大、复杂度高的信号处理和任务调度需求,异构多平台系统已经成为信号处理和任务调度的发展趋势。针对提高平台的吞吐量、处理器的利用率以及任务的感知等问题,文中对异构多平台信号处理模型进行了研究,并利用有向无环图对调度任务和软硬件资源建模。基于已提出的调度算法,对任务调度进行了归纳总结、对比分析,发现基于任务感知的混合调度算法能够较好地满足平台调度需求。利用基于任务感知的混合调度算法解决信号处理中的任务调度将是未来研究发展的趋势。

边缘辅助实时应用中信息年龄感知的任务调度

针对无线设备资源受限导致状态提取滞后难以满足实时应用对信息新鲜度需求的问题,考虑到边缘节点处理容量的有限性,提出了一种联合考虑信息新鲜度与调度实时性的调度方法。该方法首先利用队列的系统时间和信息年龄分别刻画任务在计算之前的时延和计算之后的信息新鲜度,同时给每个卸载任务合理的截止期限,来保证任务进入计算过程之前的有效性。然后,采用最小处理速率约束方法对任务调度过程中的处理速率进行约束,保证任务调度的实时性。最后,基于Lyapunov优化技术实现优化长期任务调度决策的目的。仿真结果表明,所提方法在调度实时性和系统信息新鲜度方面均具有较好的性能。

D3DQN-CAA:一种基于DRL的自适应边缘计算任务调度方法

为解决已有基于深度强化学习的边缘计算任务调度面临的动作空间探索度固定不变、样本效率低、内存需求量大、稳定性差等问题,更好地在计算资源相对有限的边缘计算系统中进行有效的任务调度,在改进深度强化学习模型D3DQN(Dueling Double DQN)的基础上,提出了自适应边缘计算任务调度方法 D3DQN-CAA.在任务卸载决策时,将任务与处理器的对应关系看作一个多维背包问题,根据当前调度任务与计算节点的状态信息,为任务选择与其匹配度最高的计算节点进行任务处理;为提高评估网络的参数更新效率,降低过估计的影响,提出一种综合性Q值计算方法;为进一步加快神经网络的收敛速度,提出了一种自适应动作空间动态探索度调整策略;为减少系统所需的存储资源,提高样本效率,提出一种自适应轻量优先级回放机制.实验结果表明,和多种基准算法相比,D3DQN-CAA方法能够有效地降低深度强化学习网络的训练步数,能充分利用边缘计算资源提升任务处理的实时性,降低系统能耗.

基于通信开销的多类型DAG任务调度方法

随着异构多核处理器的性能不断增强,具有关联关系任务的调度问题和调度算法成为研究者们关注的焦点。针对异构多核平台上的有向无环图(Directed Acyclic Graph,DAG)任务模型进行了调度分析。由于异构环境中计算资源类型丰富数量多,实际调度过程中处在不同核上的任务之间的通信开销是存在的。而当前大多数调度算法要么忽略不同核上的任务之间的通信开销,要么优先级判定和选择处理器核执行时不能全面考虑核间任务的通信开销,造成资源浪费,增加了系统调度任务的整体长度。因此,针对具有通信开销的DAG任务模型,讨论了任务间的通信开销对任务调度算法的影响,提出了复合节点生成算法(Composite Node Generation Algorithm,CNGA)任务调度算法。该算法根据任务间通信开销大小进行预处理分配生成复合节点,重构DAG图将任务节点的上行秩和通信占比作为参数决定任务节点的优先级。实验结果与HEFT和CPOP算法比较,在任务通信开销和任务执行开销之比(Communication to Computation Ratio,CCR)一定的情况下响应时间比原有的HEFT和CPOP提升10.19%,稳定性以松弛度和接受率为参数平均提升3.96%。

面向无人机物流的分布式任务调度

为提高无人机物流任务调度系统的实时性、可靠性和扩展性,本文提出一种面向通用航空无人机物流的分布式自主任务调度系统,并阐述了该系统的概念、架构、机制和运行模式;为实现物流任务的高效分配,适用于常规物流及紧急物流任务,结合集中调度及边缘自主两种调度模式。实验证明:该系统可为通用航空无人机物流提供一种有效途径,成为未来无人机物流的主要调度模式之一。

一种基于改进人工鱼群的云计算任务调度算法

为提高云计算任务调度的效率,减少系统执行任务的最大完工时间以及成本,本文提出一种改进的人工鱼群任务调度算法(improved artificial fish swarm algorithm,IAFSA).首先,将反向学习策略应用于种群初始化和鱼群的行为选择中,以提高改进人工鱼群算法在迭代中的收敛速度和种群多样性.其次,将自适应全局-局部记忆机制引入到标准AFSA算法的觅食行为中,以进一步提高勘探能力.最后,增加了基于平均适应度的行为选择机制,以提供更合理的行为选择,减少算法的复杂性.通过使用CloudSim平台进行实验验证,分别测试在不同任务规模下IAFSA的算法效能.实验结果表明,改进人工鱼群算法在降低系统任务最大完工时间和成本上均表现出了显著的优势.

面向边缘计算在线任务调度的时间抗操纵机制

激励机制旨在激励用户参与任务调度并如实报告私有信息,但现有研究主要侧重于确保用户在投标时提交真实的任务估值,而未考虑在线场景中的时间操纵问题。因此自私用户可以通过时间操纵提高自身效用,从而影响边缘用户的参与积极性、成功调度任务总价值和调度结果的公平性。提出一种利用在线机制的时间抗操纵边缘计算任务调度方法。对虚假任务投标手段进行分析,得到符合实际的合理时间误报范围和价格误报;考虑到时间属性的操纵,设计一种适用于在线场景的分配函数,以保证任务类型的单调性,并根据分配概率依次分配任务得到任务调度结果;推导出满足激励相容的临界支付定价算法,该算法保证了用户无法通过时间操纵提高预期效用;从理论上证明了该任务调度机制满足真实性和个体理性。实验结果表明,该机制不仅能防范用户的价格操纵,同时还可以抵御时间操纵。

改进的分布估计鲸鱼算法求解区块链DAG任务调度问题

为了克服区块链单链技术效率低的问题,一种新的范式有向无环图正在蓬勃发展。针对区块链有向无环图中考虑代价权重的非独立任务调度问题,构建了区块链DAG的任务调度数学模型,并为了求解该问题提出了一种基于改进分布估计鲸鱼的新任务调度算法。新算法在WOA中引入EDA的空间采样和统计学习来预测搜索的最佳区域,进而产生优秀的新个体,从而使得新算法具备更强的全局搜索能力和更快的收敛速度。最后通过程序仿真,对比了多种算法在收敛速度和全局寻优能力方面的性能。实验表明IEWOA比传统的WOA和EDA在以上参数性能有明显优势,相比于改进遗传算法FPGA,IEWOA同样在参数性能上有一定的优势。

伴随维修资源配置与任务调度的多目标联合优化

现代战争作战节奏快、横跨地域广,对伴随维修保障模式提出了更高的要求。如何在复杂战场中实现资源配置与任务调度的流程整合,充分发挥伴随维修系统效能,已经成为当今装备维修保障的迫切需求与发展方向。综合考虑多中心、开放式、多修复状态、时间窗、非遍历、容量限制等因素,首次提出随时补货的思路,将地区危险系数与维修组当前成本相结合,以维修组创造维修效益最大化、承担风险成本最小化为目标,建立更完善的数学模型。针对上述问题进行相应的编码,改进多目标人工蜂群(Multi Objective Artificial Bee Colony,MOABC)算法,提出求解质量、收敛速度良好的多目标人工蜂群-多记忆蜜源(Multi Objective Artificial Bee Colony for Memorizing Multiple Honey Sources per Bee,MOABC-MMHS)算法;针对小部分极端值影响均值的问题改进覆盖率(Coverage,C)指标的使用方式,以频率的方式对其进行展示;通过仿真实验与多指标评价验证模型和算法的科学性,实现了伴随维修资源配置与任务调度的联合优化。研究结果表明,上述模型与算法能够为伴随维修保障提供相应的辅助决策。

基于深度强化学习的电子政务云动态化任务调度方法

电子政务云中心的任务调度一直是个复杂的问题。大多数现有的任务调度方法依赖于专家知识,通用性不强,无法处理动态的云环境,通常会导致云中心的资源利用率降低和服务质量下降,任务的完工时间变长。为此,提出了一种基于演员评论家(actor-critic,A2C)算法的深度强化学习调度方法。首先,actor网络参数化策略根据当前系统状态选择调度动作,同时critic网络对当前系统状态给出评分;然后,使用梯度上升的方式来更新actor策略网络,其中使用了critic网络的评分来计算动作的优劣;最后,使用了两个真实的业务数据集进行模拟实验。结果显示,与经典的策略梯度算法以及五个启发式任务调度方法相比,该方法可以提高云数据中心的资源利用率并缩短离线任务的完工时间,能更好地适应动态的电子政务云环境。

森林火灾救援直升机吊桶灭火任务调度优化研究

鉴于森林火灾突发性强、处置困难等特点及火灾救援中直升机任务调度效率有待提高的现状,为降低森林火灾造成的损失,研究直升机吊桶灭火任务调度优化的方法。结合火场面积、火情状况、救援力量等因素,建立火场空域栅格模型。针对森林火灾场景中火场动态变化的情况,提出一种基于深度强化学习(DQN)的动态任务调度优化方法,该方法通过对起火栅格的燃烧时间约束、灭火所需水量等属性进行实时量化,不断更新全局环境,形成动态决策依据,生成任务调度方案,提升直升机吊桶灭火的效率。仿真结果表明,与传统算法中表现较好的贪婪算法相比,本文方法能在火场动态变化的场景下,降低了13.9%的火灾损失率,有效减少了森林火灾造成的资源损失。

基于多元级差优良化遗传算法的环境拓扑结构任务调度

在国家深入推进“东数西算”工程的背景下,算力网络中心的环境部署调度面临许多挑战,如环境的数量、大小、拓扑结构复杂度、依赖约束和网络传输量等不确定因素。为了应对这些限制因素,提出一种多元级差优良化的遗传算法(Diverse Hierarchical Difference Optimization Genetic Algorithm,DHDO-GA)。该算法以任务执行跨度makespan和资源利用率最优化为目标,同时考虑资源的负载均衡。为了更好地引导整个种群向全局最优解快速聚拢,该算法根据适应度值和相似度将染色体分布在不同的层级,并将其抽象聚类成精英种群。仿真实验表明,DHDO-GA算法优于传统遗传算法和几种改进的遗传算法,在搜索能力、算法稳定性以及结果质量和可靠性方面具有更大的优势。