一种基于Q学习的分布式多任务流调度算法

近来实时动态任务分配机制得到越来越多的研究.考虑多任务流并存时的任务分配问题,提出基于Q学习的分布式多任务流调度算法,不仅能适应自身任务流的到达过程,还充分兼顾其他任务流的到达及分配的影响,从而使得整个系统长期期望回报最大.分布式特性使得算法适用于开放的,局部可见的多Agent系统;强化学习的采用使得任务分配决策自适应系统环境隐藏的不确定性.实验表明此算法具有较高的任务吞吐量和任务完成效率.

基于统计分析的实时多任务流系统的最优调度

基于优先级的立即抢先算法是一种常用的调度算法 ,它能够较好地完成多任务流系统中的任务调度功能 ,但却不能保证任务的实时性要求。而JIT调度算法能保证任务的实时性要求 ,却不能很好地完成多任务流系统中的任务调度功能。在对实时多任务流系统进行统计分析的基础上 ,提出了一种嵌入JIT思想的立即抢先最优调度算法。实验结果表明 ,该算法能在完成任务调度功能的同时 ,最优地保证任务的实时性要求。

面向异构多核系统的多任务流并行编程模型设计

目前的多任务流并行编程模型难以探测到异构多核系统中存的慢任务和落后任务,存在调用开销高、计算开销高和编程加速比低的问题。为此,设计了新的面向异构多核系统的多任务流并行编程模型。通过寄存器重定向、指令迁移、分离发射和线程切换4个部分组建多任务流并行编程模型,并设计了任务探测算法,探测异构多核系统中存在的慢任务和落后任务,提高了异构多核系统在多任务并行处理过程中的编程灵活性。测试结果表明,该模型的调用开销和计算开销均较低,且编程加速比高。

考虑多任务集装箱多式联运路径优化方案研究

为给多式联运经营人提供更加合理的集装箱运输方案,综合考虑运输方式班期限制和运力约束影响因素,以总成本最小为目标构建了不同收发地、不同时间窗的多OD对集装箱多式联运路径规划模型。针对模型的具体特点,利用带精英保留策略的改进遗传算法对模型进行求解,结果表明算法具有稳定性。将考虑不同影响因素的多算例进行对比,分析结果发现,当添加班期约束时,等待时间增加,能够避免提前到达终点;当添加运力约束时,能够避免货物同时流向优势路段造成的拥堵。