專(zhuān)利名稱(chēng)：一種啟發(fā)式粗粒度并行網(wǎng)格任務(wù)調(diào)度方法
技術(shù)領(lǐng)域：
本發(fā)明涉及網(wǎng)格計(jì)算領(lǐng)域，特別是涉及ー種啟發(fā)式粗粒度并行網(wǎng)格任務(wù)調(diào)度方法。
背景技術(shù)：
隨著網(wǎng)絡(luò)技術(shù)的發(fā)展，人們工作需要的資源越來(lái)越多，并且復(fù)雜多樣，如何充分地利用資源是我們需要亟待研究的問(wèn)題，網(wǎng)格就是充分利用資源的ー種技木。
網(wǎng)格是繼萬(wàn)維網(wǎng)之后出現(xiàn)的ー種新型的網(wǎng)絡(luò)計(jì)算平臺(tái)，它為用戶(hù)提供了ー種全面共享包括網(wǎng)頁(yè)在內(nèi)的各種資源的基礎(chǔ)設(shè)施。而計(jì)算網(wǎng)格是目前研究最多和實(shí)踐性最強(qiáng)的一種網(wǎng)格，它主要是針對(duì)前沿科學(xué)研究和大型行業(yè)應(yīng)用，可以整合和共享地理上分布的計(jì)算資源。作為ー種為前沿科學(xué)研究、大型應(yīng)用而設(shè)計(jì)的技木，計(jì)算網(wǎng)格能夠很好的支持高性能需求和分布特性。網(wǎng)格強(qiáng)大的計(jì)算能力是通過(guò)網(wǎng)格上任務(wù)的運(yùn)行性能來(lái)體現(xiàn)。但是由于網(wǎng)格環(huán)境的動(dòng)態(tài)性、分布性以及異構(gòu)性等特點(diǎn)[I]，網(wǎng)格任務(wù)調(diào)度面臨著巨大的挑戰(zhàn)。圖I是網(wǎng)格任務(wù)調(diào)度模型。用戶(hù)提交待調(diào)度任務(wù)序列給任務(wù)提交者，任務(wù)提交者中包含任務(wù)-資源映射機(jī)制，通過(guò)這個(gè)機(jī)制完成任務(wù)-資源的匹配，任務(wù)-資源映射機(jī)制中包含任務(wù)管理機(jī)制和資源信息管理機(jī)制，它們分別提供了任務(wù)和資源的描述信息，任務(wù)-資源匹配完成后，通過(guò)任務(wù)提交和傳輸控制機(jī)制將任務(wù)傳輸給遠(yuǎn)程的節(jié)點(diǎn)，任務(wù)提交和傳輸控制機(jī)制中的GRAM(Globus Resource Allocation Manager)負(fù)責(zé)網(wǎng)格資源的分配管理，而GASS (Globus Access to Secondary Storage)負(fù)責(zé)將調(diào)度的結(jié)果返回給用戶(hù)。遠(yuǎn)程節(jié)點(diǎn)在接收任務(wù)提交和傳輸控制機(jī)制提交的任務(wù)序列前，要用Globus GateKeeper進(jìn)行相應(yīng)的認(rèn)證，若認(rèn)證通過(guò)，遠(yuǎn)程節(jié)點(diǎn)接受該任務(wù)序列，并使用Globus任務(wù)管理者在本節(jié)點(diǎn)上完成任務(wù)的調(diào)度；若果認(rèn)證未通過(guò)，提交的任務(wù)和未通過(guò)的信息會(huì)傳遞給任務(wù)提交和傳輸控制機(jī)制，任務(wù)提交和傳輸控制機(jī)制會(huì)重新查找新的遠(yuǎn)程節(jié)點(diǎn)提交任務(wù)。任務(wù)調(diào)度完成后，通過(guò)GASS將此次任務(wù)調(diào)度的結(jié)果返回給任務(wù)提交者。任務(wù)和資源的匹配是調(diào)度算法必須完成的。針對(duì)某ー計(jì)算子任務(wù)，從網(wǎng)格系統(tǒng)中發(fā)現(xiàn)滿(mǎn)足該任務(wù)執(zhí)行條件的可用資源集，滿(mǎn)足該任務(wù)執(zhí)行條件的可用資源可能不止ー個(gè)，同樣是滿(mǎn)足條件的資源，但是該任務(wù)在這些資源上執(zhí)行所獲得的性能、執(zhí)行代價(jià)是不一樣的。任務(wù)調(diào)度首先會(huì)根據(jù)任務(wù)的需求，選擇滿(mǎn)足條件的資源，然后從滿(mǎn)足條件的資源中根據(jù)選擇策略和定義的性能指標(biāo)選擇最適的資源分配給該任務(wù)。任務(wù)獲得滿(mǎn)足條件的資源后，可以在資源上執(zhí)行，并且執(zhí)行的過(guò)程處在資源本地的任務(wù)管理機(jī)制的監(jiān)管下，任務(wù)執(zhí)行完畢后把占用的計(jì)算資源歸還給網(wǎng)格管理機(jī)構(gòu)，網(wǎng)格任務(wù)管理模塊把任務(wù)執(zhí)行的結(jié)果和相關(guān)的信息告訴給任務(wù)提交者，從而實(shí)現(xiàn)計(jì)算網(wǎng)格共享地理上分布的資源協(xié)同完成某一任務(wù)的目標(biāo)。網(wǎng)格任務(wù)調(diào)度是ー種NP-hard問(wèn)題。近年來(lái)研究表明，對(duì)于此類(lèi)NP-hard問(wèn)題可能不存在既完整嚴(yán)格又不太慢的求解算法，因此，目前求解此類(lèi)問(wèn)題的方法多為近似或啟發(fā)式算法。這些算法本質(zhì)上可以分為兩類(lèi)隨機(jī)算法和確定性算法。遺傳算法、模擬退火算法[2] [3]、粒子群算法[4]、粗粒度并行遺傳算法[5]等都屬于隨機(jī)算法，這類(lèi)算法的本質(zhì)是設(shè)計(jì)一種高效的捜索算法，具有捜索整個(gè)解空間而不至于陷于局部最優(yōu)的能力。梯度下降法、分支限界法[6]等屬于確定性算法，其關(guān)鍵在于確定一種規(guī)則，使得在允許的時(shí)間范圍內(nèi)求解問(wèn)題的近似最優(yōu)解。確定性算法與隨機(jī)算法相比較，其搜索速度快、精確度高，但是普適性不強(qiáng)，且易陷入局部極小點(diǎn)；隨機(jī)算法具有全局捜索的優(yōu)點(diǎn)，且適應(yīng)面廣，但是缺乏有效的局部捜索機(jī)制，且收斂速度慢。分析上述兩種算法的優(yōu)缺點(diǎn)可知，確定性算法的普適性不強(qiáng)，不宣應(yīng)用在網(wǎng)格任務(wù)調(diào)度中，而隨機(jī)算法缺乏有效的局部捜索機(jī)制。

發(fā)明內(nèi)容
本發(fā)明主要解決的技術(shù)問(wèn)題是提供一種啟發(fā)式粗粒度并行網(wǎng)格任務(wù)調(diào)度方法，能夠提供一種新的多點(diǎn)交叉方法，并采用精英策略保持種群最優(yōu)解的遞增性；在變異階段采用采用ー種基于任務(wù)遷移的定向變異方法，防止種群的退化，同時(shí)引進(jìn)統(tǒng)計(jì)學(xué)中“移動(dòng)平均”的原理，預(yù)測(cè)種群進(jìn)化若干代后適應(yīng)度值的變化趨勢(shì)。提出的方法性能高，且計(jì)算能力 和收斂速度優(yōu)于傳統(tǒng)隨機(jī)算法。為解決上述技術(shù)問(wèn)題，本發(fā)明采用的一個(gè)技術(shù)方案是提供一種啟發(fā)式粗粒度并行網(wǎng)格任務(wù)調(diào)度方法，包括以下步驟步驟I :任務(wù)提交者輸入待調(diào)度任務(wù)集合、可用的計(jì)算資源集合、任務(wù)在計(jì)算資源上的執(zhí)行時(shí)間集合、最大迭代次數(shù)、閾值δ和熵值ε ；步驟2 :任務(wù)調(diào)度者將任務(wù)分配給資源執(zhí)行的調(diào)度問(wèn)題表示在優(yōu)化目標(biāo)、約束條件下成標(biāo)準(zhǔn)的最小值求解問(wèn)題；步驟3 :用啟發(fā)式粗粒度并行算法的迭代過(guò)程求解網(wǎng)格任務(wù)調(diào)度問(wèn)題；步驟4 :算法結(jié)束，輸出任務(wù)調(diào)度結(jié)果。優(yōu)選的是，所述步驟2中優(yōu)化目標(biāo)為調(diào)度策略中所有任務(wù)執(zhí)行完畢花費(fèi)時(shí)間最小化，即所有任務(wù)執(zhí)行完畢花費(fèi)的時(shí)間最短；所述約束條件為任務(wù)的數(shù)目要大于計(jì)算資源的數(shù)目，任務(wù)集合中的任務(wù)都是元任務(wù)，即每個(gè)任務(wù)都不可再拆分為更小的子任務(wù)，并且每個(gè)任務(wù)可以利用任何資源進(jìn)行計(jì)算，但每個(gè)資源在同一時(shí)間只能處理ー個(gè)任務(wù)，并且任務(wù)未完成計(jì)算前不允許中斷。優(yōu)選的是，所述步驟3所述用啟發(fā)式粗粒度并行算法求解網(wǎng)格任務(wù)調(diào)度問(wèn)題包含ー個(gè)迭代過(guò)程，其迭代過(guò)程步驟如下步驟3. I :對(duì)啟發(fā)式粗粒度并行算法的初始化；步驟3. 2:算法迭代開(kāi)始，如果熵值Et小于給定的熵值ε，迭代結(jié)束，輸出網(wǎng)格任務(wù)調(diào)度的結(jié)果；如果熵值Et大于給定的熵值ε，t = t+1，進(jìn)入下一歩；步驟3. 3 :選擇操作，用期望值法來(lái)確定參與遺傳操作的個(gè)體；步驟3. 4:交叉操作，采用多點(diǎn)交叉算子，定義掩碼樣本時(shí)，保證樣本與模式中確定位置相同的位置上的值為1，其余位置上的值隨即生成，同時(shí)采用精英策略；步驟3. 5 :變異操作，采用基于任務(wù)遷移的定向變異方法，用使變異位對(duì)應(yīng)的子任務(wù)執(zhí)行時(shí)間最短的資源編號(hào)替代變異位上的基因值；步驟3. 6 :評(píng)估子種群個(gè)體適應(yīng)度值的方差S和熵值Et，t為當(dāng)前代數(shù)；
步驟3. 7 :若S大于δ，轉(zhuǎn)到步驟3. 2 ;如果S小于δ，進(jìn)入下ー步；步驟3. 8 :子種群遷移，令遷移規(guī)模為2，用子種群中最優(yōu)個(gè)體替換相鄰子種群中最差的兩個(gè)個(gè)體，值得注意的是，如果這兩個(gè)個(gè)體比相鄰子種群中最差的兩個(gè)還要差的話(huà)，則不予替換，然后轉(zhuǎn)到步驟3. 2。優(yōu)選的是，步驟3. I所述啟發(fā)式粗粒度并行算法初始化通過(guò)如下步驟進(jìn)行步驟3. I. I :染色體編碼，采用ー維整數(shù)間接編碼，對(duì)任務(wù)占有的資源號(hào)進(jìn)行編碼；步驟3. I. 2 :適應(yīng)度函數(shù)的設(shè)計(jì)，算法根據(jù)適應(yīng)度值的大小來(lái)決定個(gè)體進(jìn)行遺傳操作的可能性，適應(yīng)度值越大，個(gè)體參與遺傳操作的可能性越大，因而將適應(yīng)度函數(shù)設(shè)計(jì)為 任務(wù)執(zhí)行時(shí)間的倒數(shù)；步驟3. I. 3 :子種群的劃分，采用基于小生境遺傳算法的模糊聚類(lèi)算法劃分種群，生成若干個(gè)子種群，使這些子種群獨(dú)立并行地進(jìn)行遺傳操作。本發(fā)明的有益效果是本發(fā)明ー種啟發(fā)式粗粒度并行網(wǎng)格任務(wù)調(diào)度方法具有以下優(yōu)點(diǎn)(I)本方法具有良好的伸縮性。運(yùn)用種群適應(yīng)度方差來(lái)平衡收斂速度和全局捜索能力之間的關(guān)系，以及利用熵值的大小來(lái)判斷種群是否得到最優(yōu)解。無(wú)論是單目標(biāo)優(yōu)化問(wèn)題還是多目標(biāo)優(yōu)化問(wèn)題，種群收斂時(shí)，熵值均很小。(2)實(shí)驗(yàn)表明，本方法可行性高，其收斂速度和尋優(yōu)空間，以及計(jì)算結(jié)果的精度上都優(yōu)于傳統(tǒng)并行遺傳算法，可用于元任務(wù)網(wǎng)格任務(wù)調(diào)度中。


圖I是現(xiàn)有技術(shù)中網(wǎng)格任務(wù)調(diào)度方法模型流程圖；圖2是本發(fā)明一種啟發(fā)式粗粒度并行網(wǎng)格任務(wù)調(diào)度方法的流程圖；圖3是本發(fā)明一種啟發(fā)式粗粒度并行網(wǎng)格任務(wù)調(diào)度方法染色體編碼結(jié)構(gòu)圖；圖4為傳統(tǒng)粗粒度并行算法適應(yīng)度-種群進(jìn)化代數(shù)變化曲線(xiàn)圖5為本發(fā)明是本發(fā)明一種啟發(fā)式粗粒度并行網(wǎng)格任務(wù)調(diào)度方法適應(yīng)度-種群進(jìn)化代數(shù)變化曲線(xiàn)；圖6為本發(fā)明實(shí)施中本發(fā)明是本發(fā)明ー種啟發(fā)式粗粒度并行網(wǎng)格任務(wù)調(diào)度方法與傳統(tǒng)粗粒度并行算法的對(duì)比；圖7為本發(fā)明是本發(fā)明一種啟發(fā)式粗粒度并行網(wǎng)格任務(wù)調(diào)度方法實(shí)施中適應(yīng)度值方差的變化情況。
具體實(shí)施例方式下面結(jié)合附圖對(duì)本發(fā)明的較佳實(shí)施例進(jìn)行詳細(xì)闡述，以使本發(fā)明的優(yōu)點(diǎn)和特征能更易于被本領(lǐng)域技術(shù)人員理解，從而對(duì)本發(fā)明的保護(hù)范圍做出更為清楚明確的界定。請(qǐng)參閱圖2,本發(fā)明實(shí)施例包括一種啟發(fā)式粗粒度并行網(wǎng)格任務(wù)調(diào)度方法提出的動(dòng)態(tài)確定種群遷移與否的啟發(fā)式粗粒度并行算法包括下述步驟，流程如下所示步驟I :任務(wù)提交者輸入待調(diào)度任務(wù)集合、可用的計(jì)算資源集合、任務(wù)在計(jì)算資源上的執(zhí)行時(shí)間、最大迭代次數(shù)和閾值5 ;步驟2 :任務(wù)調(diào)度者將任務(wù)分配給資源執(zhí)行的調(diào)度問(wèn)題在優(yōu)化目標(biāo)、約束條件下表示成標(biāo)準(zhǔn)的最小值求解問(wèn)題；本發(fā)明方法與目前大多數(shù)任務(wù)調(diào)度算法一祥，都是以彼此間沒(méi)有依賴(lài)關(guān)系的元任務(wù)組為研究対象，即任務(wù)之間無(wú)任何通信或者數(shù)據(jù)往來(lái)，并且任務(wù)都不可再分。任務(wù)調(diào)度的實(shí)質(zhì)是將η個(gè)任務(wù)分配給m個(gè)計(jì)算資源，調(diào)整任務(wù)和資源之間的映射關(guān)系以使所有計(jì)算任務(wù)完成的時(shí)間最短。假設(shè)任務(wù)集合為T(mén) = {Tl，T2，T3，-, Tj,…，Tn} (Tj表示第j個(gè)子任務(wù)， I彡j彡n)，資源集合為R = {Rl，R2，R3，…，Ri，.··，Rm} (Ri表示第i個(gè)計(jì)算資源，I彡j彡η),用ー個(gè)n*m的矩陣C[n, m]來(lái)表示任務(wù)的執(zhí)行時(shí)間(C[i, j]表示任務(wù)Ti在資源Rj上的執(zhí)行時(shí)間)，若C(p)表示在調(diào)度策略P下所有任務(wù)執(zhí)行完畢花費(fèi)的時(shí)間，則C(p) = max (Cp (Ri))(I)其中，Cp(Ri)為在調(diào)度策略P下，分配到資源i上的所有任務(wù)執(zhí)行完畢花費(fèi)的時(shí)間。網(wǎng)格任務(wù)調(diào)度的目的就是在所有的調(diào)度策略中找到某一使得C(p)最小的調(diào)度策略，用C表不最小的調(diào)度時(shí)間，即C = min (C(p))(2)步驟3 :用啟發(fā)式粗粒度并行算法的迭代過(guò)程求解網(wǎng)格任務(wù)調(diào)度問(wèn)題。其中迭代過(guò)程，包括如下步驟步驟3. I :對(duì)啟發(fā)式粗粒度并行算法的初始化；該步驟初始化染色體編碼、適應(yīng)度函數(shù)設(shè)計(jì)以及子種群的劃分。如圖3所示，染色體編碼方法有多種，根據(jù)上面對(duì)調(diào)度問(wèn)題的分析，采用ー維整數(shù)間接編碼，對(duì)任務(wù)占有的資源號(hào)進(jìn)行編碼，染色體的結(jié)構(gòu)，其中j為染色體的基因位，同時(shí)也代表第j個(gè)任務(wù)，I ^ j ；i代表任務(wù)j占有的資源號(hào)，I ^ i 假設(shè)有6個(gè)子任務(wù)和3個(gè)計(jì)算資源，任務(wù)編號(hào)和資源編碼分別為別為1-6和1-3，圖3表示的染色體結(jié)構(gòu)的意思是子任務(wù)1、2、3、4、5、6分別占有的資源號(hào)為2、3、1、3、2、1。該方法中根據(jù)個(gè)體適應(yīng)度值的大小來(lái)選擇個(gè)體進(jìn)行遺傳操作的可能性，適應(yīng)度值越大，個(gè)體被選中的概率越大；反之，適應(yīng)度值越小，個(gè)體被選中參與遺傳操作的概率則越小。而任務(wù)調(diào)度的目標(biāo)是使C(p)最小，即C(p)越小，調(diào)度策略被選擇的概率越大，因此，我們將適應(yīng)度函數(shù)定義為fp(i) = 1/min (max (Cp (Ri))) I く i く m(3)對(duì)于標(biāo)準(zhǔn)的并行算法而言，子種群的分布及其捜索空間的大小直接影響著算法的收斂速度?，F(xiàn)有隨機(jī)方法產(chǎn)生的子種群不易分散到整個(gè)解空間，這樣會(huì)降低算法的收斂性能。因此，采用基于小生境遺傳算法的模糊聚類(lèi)算法劃分種群，生成若干個(gè)子種群，使這些子種群獨(dú)立并行地進(jìn)行遺傳操作。采用基于小生境遺傳算法的模糊聚類(lèi)算法[7]來(lái)劃分子種群。隨機(jī)生成c個(gè)個(gè)體，以這c個(gè)個(gè)體作為聚類(lèi)的中心，在解空間進(jìn)行聚類(lèi)，將初始種群劃分為c個(gè)模糊子集，即c個(gè)子種群。將這c個(gè)模糊子集記為SI，S2，S3，……,Sc，然后使c個(gè)子種群獨(dú)立并行的進(jìn)行下述的遺傳操作?；诖朔椒ǖ淖臃N群的劃分不僅滿(mǎn)足初始種群劃分的原則[8]，使子種群在捜索空間內(nèi)盡量分散，還可以提高算法的收斂速度，有效地避免早熟收斂現(xiàn)象的出現(xiàn)。步驟3.2 :算法迭代開(kāi)始，如果熵值Et小于給定的熵值ε，迭代結(jié)束，輸出網(wǎng)格任務(wù)調(diào)度的結(jié)果；如果熵值Et大于給定的熵值ε，t = t+1，進(jìn)入下一歩。雖然方差可以反映解群的空間偏移程度，但還不能完全刻畫(huà)解群的多祥性。一般初始解群的方差和熵都很大，單目標(biāo)優(yōu)化問(wèn)題中當(dāng)解群的方差和熵都很小時(shí)，解群收斂；多目標(biāo)優(yōu)化問(wèn)題收斂時(shí)，解群方差很大，而熵很小。可見(jiàn)，無(wú)論是單目標(biāo)優(yōu)化問(wèn)題還是多目標(biāo)優(yōu)化問(wèn)題，當(dāng)解群熵值很小時(shí)，采用一定的多祥性保持策略均能得到均勻分布的Pareto最優(yōu)解集，因而在給定的最大迭代次數(shù)內(nèi)，以熵值的大小判斷算法是否得到最優(yōu)解。步驟3. 3:選擇操作。有實(shí)驗(yàn)證明[9]，采用期望值法的遺傳算法在離線(xiàn)性和在線(xiàn)性方面的性能都高于采用另外兩種方法的遺傳算法性能，因此，本文采用期望值法。用下面的方法判斷個(gè)體是否被選擇參與遺產(chǎn)操作(I)計(jì)算子種群中每個(gè)個(gè)體在下一代生存的期望數(shù)目M(n為子種群的規(guī)模)
權(quán)利要求
1.一種啟發(fā)式粗粒度并行網(wǎng)格任務(wù)調(diào)度方法，其特征在于包括以下步驟 步驟I:任務(wù)提交者輸入待調(diào)度任務(wù)集合、可用的計(jì)算資源集合、任務(wù)在計(jì)算資源上的執(zhí)行時(shí)間集合、最大迭代次數(shù)、閾值S和熵值e ； 步驟2 :任務(wù)調(diào)度者將任務(wù)分配給資源執(zhí)行的調(diào)度問(wèn)題表示在優(yōu)化目標(biāo)、約束條件下成標(biāo)準(zhǔn)的最小值求解問(wèn)題； 步驟3 :用啟發(fā)式粗粒度并行算法的迭代過(guò)程求解網(wǎng)格任務(wù)調(diào)度問(wèn)題； 步驟4 :算法結(jié)束，輸出任務(wù)調(diào)度結(jié)果。
2.如權(quán)利要求I所述的啟發(fā)式粗粒度并行網(wǎng)格任務(wù)調(diào)度方法，其特征在于所述步驟2中優(yōu)化目標(biāo)為調(diào)度策略中所有任務(wù)執(zhí)行完畢花費(fèi)時(shí)間最小化，即所有任務(wù)執(zhí)行完畢花費(fèi)的時(shí)間最短；所述約束條件為任務(wù)的數(shù)目要大于計(jì)算資源的數(shù)目，任務(wù)集合中的任務(wù)都是元 任務(wù)，即每個(gè)任務(wù)都不可再拆分為更小的子任務(wù)，并且每個(gè)任務(wù)可以利用任何資源進(jìn)行計(jì)算，但每個(gè)資源在同一時(shí)間只能處理一個(gè)任務(wù)，并且任務(wù)未完成計(jì)算前不允許中斷。
3.如權(quán)利要求I所述的啟發(fā)式粗粒度并行網(wǎng)格任務(wù)調(diào)度方法，其特征在于所述步驟3所述用啟發(fā)式粗粒度并行方法求解網(wǎng)格任務(wù)調(diào)度問(wèn)題包含一個(gè)迭代過(guò)程，其迭代過(guò)程步驟如下 步驟3. I :對(duì)啟發(fā)式粗粒度并行算法的初始化； 步驟3. 2 :算法迭代開(kāi)始，如果熵值Et小于給定的熵值e，迭代結(jié)束，輸出網(wǎng)格任務(wù)調(diào)度的結(jié)果；如果熵值Et大于給定的熵值e，t=t+l，進(jìn)入下一步； 步驟3. 3 :選擇操作，用期望值法來(lái)確定參與遺傳操作的個(gè)體； 步驟3. 4:交叉操作，采用多點(diǎn)交叉算子，定義掩碼樣本時(shí)，保證樣本與模式中確定位置相同的位置上的值為1，其余位置上的值隨即生成，同時(shí)采用精英策略； 步驟3. 5 :變異操作，采用基于任務(wù)遷移的定向變異方法，用使變異位對(duì)應(yīng)的子任務(wù)執(zhí)行時(shí)間最短的資源編號(hào)替代變異位上的基因值； 步驟3. 6 :評(píng)估子種群個(gè)體適應(yīng)度值的方差S和熵值Et，t為當(dāng)前代數(shù)； 步驟3. 7 :若S大于5，轉(zhuǎn)到步驟3. 2 ;如果S小于5，進(jìn)入下一步； 步驟3. 8 :子種群遷移，令遷移規(guī)模為2，用子種群中最優(yōu)個(gè)體替換相鄰子種群中最差的兩個(gè)個(gè)體，如果這兩個(gè)個(gè)體比相鄰子種群中最差的兩個(gè)還要差的話(huà)，則不予替換，然后轉(zhuǎn)到步驟3. 2。
4.如權(quán)利要求3所述的啟發(fā)式粗粒度并行網(wǎng)格任務(wù)調(diào)度方法，其特征在于步驟3.I所述啟發(fā)式粗粒度并行算法初始化通過(guò)如下步驟進(jìn)行 步驟3. I. I :染色體編碼，采用一維整數(shù)間接編碼，對(duì)任務(wù)占有的資源號(hào)進(jìn)行編碼；步驟3. I. 2 :適應(yīng)度函數(shù)的設(shè)計(jì)，算法根據(jù)適應(yīng)度值的大小來(lái)決定個(gè)體進(jìn)行遺傳操作的可能性，適應(yīng)度值越大，個(gè)體參與遺傳操作的可能性越大，因而將適應(yīng)度函數(shù)設(shè)計(jì)為任務(wù)執(zhí)行時(shí)間的倒數(shù)； 步驟3. I. 3 :子種群的劃分，采用基于小生境遺傳算法的模糊聚類(lèi)算法劃分種群，生成若干個(gè)子種群，使這些子種群獨(dú)立并行地進(jìn)行遺傳操作。
全文摘要
本發(fā)明公開(kāi)了一種啟發(fā)式粗粒度并行網(wǎng)格任務(wù)調(diào)度方法，其特征在于包括以下步驟步驟1任務(wù)提交者輸入待調(diào)度任務(wù)集合、可用的計(jì)算資源集合、任務(wù)在計(jì)算資源上的執(zhí)行時(shí)間集合、最大迭代次數(shù)、閾值δ和熵值ε；步驟2任務(wù)調(diào)度者將任務(wù)分配給資源執(zhí)行的調(diào)度問(wèn)題表示在優(yōu)化目標(biāo)、約束條件下成標(biāo)準(zhǔn)的最小值求解問(wèn)題；步驟3用啟發(fā)式粗粒度并行方法的迭代過(guò)程求解網(wǎng)格任務(wù)調(diào)度問(wèn)題；步驟4算法結(jié)束，輸出任務(wù)調(diào)度結(jié)果。通過(guò)上述方式，本發(fā)明能夠提供一種新的多點(diǎn)交叉方法，并采用精英策略保持種群最優(yōu)解的遞增性；在變異階段采用采用一種基于任務(wù)遷移的定向變異方法，防止種群的退化，提出的方法性能高，且計(jì)算能力和收斂速度優(yōu)于傳統(tǒng)隨機(jī)算法。
文檔編號(hào)G06F9/50GK102662743SQ201210108008
公開(kāi)日2012年9月12日 申請(qǐng)日期2012年4月13日 優(yōu)先權(quán)日2012年4月13日
發(fā)明者劉芳芳, 薛勝軍 申請(qǐng)人:南京信息工程大學(xué)