5.2 相关工作
实时任务调度也对系统在效率和灵活性上有很多的需求,只考虑任务的时间属性来决定任务优先级模式已不能满足需求。伯恩斯等人提出了基于权值优先级调度策略,就是在任务集合中挑选执行一些任务,确保系统具有最好的权值。为了提高系统的单位时间权值,文献[66]根据最大执行时间和任务权值决定任务的权值密度,以确定该任务的密度值,然后提出了权值密度的最大的优先级HVDF算法,确保系统权值贡献率高任务的执行优先级。本书讨论了在移动终端设备下硬实时任务调度的原理、机制、策略。移动终端不但有硬实时任务对时效性的要求,而且对能耗管理有明确的约束。(https://www.daowen.com)
Jun Liu 和Jinhua Guo研究了具有电压岛的多核处理器上的周期性实时任务的能量效率调度,提出了一种用于周期性实时任务多核处理器的节能调度的电压最大容量优先(VILCF)算法。通过在开启更多岛屿或增加当前活跃岛屿的电压水平之前,充分利用岛屿的剩余容量,实现更好的能源效率。实验结果表明,当电压岛中有多个核心时,VILCF显著优于现有算法。Keqin Li研究了当云计算数据中心的多个处理器同时由大量并行任务共享时,核心如何分配任务和调度任务,以实现能耗最小化,并开发了功率前确定算法和功率后确定算法,通过将等速方法嵌入到算法中,很好地提高了调度算法的性能。Ming Fan等提出了一种在线电源管理方法,以在可靠性约束下最小化单处理器实时调度的能耗。仿真结果表明,通过利用运行时动力学,提出的方法可以比以前的可靠性约束下的工作节省更多的能量。Houssam-Eddine Zahaf等专注于基于动态电压和频率缩放(DVFS)实时调度技术,提出了一个在ARM bigLITTLE架构上执行的并行实时任务的性能和能耗的模型,将优化问题定义为整数非线性规划(INLP)问题,并指出通过实验结果证实该方法具有较好的节能效果。Mehdi Akbari等将遗传算法作为元启发式方法,以解决异构计算系统中处理器的静态任务调度问题。该算法通过其遗传功能的显著变化和引入新的运算符来提高遗传算法的性能,保证了样本品种和整个空间的一致覆盖。此外,随机初始种群已被替换为一些初始群体,具有相对优化的解决方案,以降低遗传算法的重复性。与其他任务调度算法相比,在具有广泛特征的异构计算系统的实际应用中运行该算法,结果表明所提出的算法的效率显著提高。为了处理异构系统上任务的调度,Mehdi Akbari等提出了一种减少执行时间同时允许最大并行化的算法。该算法基于多目标调度布谷鸟优化算法(MOSCOA)。在这个算法中,每个布谷鸟都代表一个调度解决方案,其中考虑分配给它们的任务和处理器的顺序。Debanjan Konar等研究了在多处理器环境中由混合量子启发遗传算法(HQIGA)辅助的高效实时任务调度。HQIGA依托量子力学的概念和原理,探索量子计算的计算能力。为了推动更好的收敛时间表,HQIGA使用旋转门操作,用于探索Hilbert超空间中量子位描述的可变染色体,采用普遍已知的启发式最早期限(EDF)相关联的适应度函数和随机密钥分配方式将系统转换为有效的调度解决方案。仿真结果表明,HQIGA在使用无数代码的适应度方面优于古典遗传算法(CGA)和混合粒子群优化(HPSO),并显著提高了调度时间。