異構(gòu)系統(tǒng)中基于元啟發(fā)方法的并行任務(wù)調(diào)度算法研究.pdf

1、隨著科學(xué)技術(shù)的快速發(fā)展，信息技術(shù)也飛速發(fā)展起來(lái)，超級(jí)計(jì)算機(jī)在工業(yè)、農(nóng)業(yè)、軍事、航空航天、社會(huì)經(jīng)濟(jì)和我們的日常生活的各個(gè)領(lǐng)域都扮演了重要的角色，并成為計(jì)算機(jī)科學(xué)和信息技術(shù)的一個(gè)重要發(fā)展方向。
　　資源管理模型和任務(wù)調(diào)度策略是異構(gòu)高性能計(jì)算機(jī)系統(tǒng)的核心問(wèn)題和關(guān)鍵技術(shù)。任務(wù)調(diào)度策略在滿足任務(wù)優(yōu)先級(jí)和資源約束的條件下，在可接受的性能指標(biāo)范圍內(nèi)，有效地減少了總的執(zhí)行時(shí)間并提高了資源的利用率。在過(guò)去幾十年，資源管理模型和任務(wù)調(diào)度策略已成為高性

2、能并行計(jì)算領(lǐng)域的重要熱點(diǎn)研究問(wèn)題。
　　由于異構(gòu)超級(jí)計(jì)算機(jī)的體系結(jié)構(gòu)和應(yīng)用程序軟件的復(fù)雜性，再加上應(yīng)用程序?qū)Σ煌Y源需要的差異性，使得異構(gòu)高性能計(jì)算系統(tǒng)的并行任務(wù)調(diào)度變得極為復(fù)雜。很多學(xué)者的研究結(jié)果證明，即便是在化簡(jiǎn)后的簡(jiǎn)單模型下，在異構(gòu)高性能計(jì)算系統(tǒng)中的并行任務(wù)調(diào)度問(wèn)題是一個(gè)NP難問(wèn)題。因此，并行任務(wù)調(diào)度問(wèn)題是一個(gè)在高性能并行計(jì)算領(lǐng)域的具有挑戰(zhàn)性的研究問(wèn)題。特別是針對(duì)現(xiàn)實(shí)世界問(wèn)題的并行任務(wù)調(diào)度，在可接受的性能和計(jì)算復(fù)雜度下，要獲

3、得一個(gè)問(wèn)題的最優(yōu)解是不現(xiàn)實(shí)的。
　　因此對(duì)于這類(lèi)復(fù)雜的問(wèn)題，往往采用啟發(fā)式算法，其中最最要的一類(lèi)就是列表調(diào)度算法。列表調(diào)度的基本思想主要包括：
　　1)任務(wù)優(yōu)先隊(duì)列的生成。根據(jù)一些貪婪的啟發(fā)式方法給每個(gè)任務(wù)分配一個(gè)優(yōu)先級(jí)。
　　2)任務(wù)到處理機(jī)的映射。選擇任務(wù)優(yōu)先隊(duì)列中的最高優(yōu)先級(jí)的任務(wù)并將其分配給一個(gè)最合適的處理器上，使其完成時(shí)間最早。但是由于基于啟發(fā)式的算法的性能在很大程度上依賴啟發(fā)的貪婪方式，對(duì)于復(fù)雜問(wèn)題的處理時(shí)

4、可能會(huì)產(chǎn)生不太理想的結(jié)果，特別是當(dāng)任務(wù)調(diào)度問(wèn)題的復(fù)雜性增加時(shí)。
　　與基于啟發(fā)式算法相反，基于指導(dǎo)的隨機(jī)搜索算法(元啟發(fā)式算法)，利用在前期搜索結(jié)果的基礎(chǔ)上尋找問(wèn)題的解，能夠獲得比啟發(fā)式方法更好的解，但算法效率低。所以，在調(diào)度質(zhì)量與收斂速度之間的權(quán)衡是必需的。在本文中，提出了一個(gè)混合的方式任務(wù)調(diào)度算法，集成了智能元啟發(fā)式和啟發(fā)式算法的優(yōu)點(diǎn)。所提出的混合方法的性能比啟發(fā)式的調(diào)度質(zhì)量要好，同時(shí)比一般的元啟發(fā)式算法的時(shí)間開(kāi)銷(xiāo)要小，收斂速

5、度更快。
　　本文的主要研究工作如下：
　　1.針對(duì)異構(gòu)高性能計(jì)算系統(tǒng)中的復(fù)雜應(yīng)用，提出一個(gè)有向無(wú)環(huán)圖(Directed Acyclic Graph,DAG)任務(wù)調(diào)度的雙螺旋結(jié)構(gòu)的遺傳算法(Double Helix Structure Genetic Algorithm,DHSGA)，可以廣泛地用于DAG應(yīng)用程序的調(diào)度，該方法將啟發(fā)式方法和元啟發(fā)式算法進(jìn)行有機(jī)的結(jié)合，用啟發(fā)式的交叉算子和變異算子產(chǎn)生大量的任務(wù)優(yōu)先隊(duì)列。DHS

6、GA算法有效地避免了現(xiàn)有啟發(fā)式調(diào)度算法的缺點(diǎn)，具有較好的魯棒性和較好的調(diào)度質(zhì)量。
　　2.為了進(jìn)一步提高算法的性能，提出一個(gè)新的算法(Multiple Priority Queueing Genetic Algorithm,MPQGA)來(lái)生成初始種群。在算法中使用了三個(gè)評(píng)價(jià)標(biāo)準(zhǔn)：好的“種子”、均勻覆蓋和遺傳多樣性。與從一個(gè)隨機(jī)生成的解相比較，通過(guò)啟發(fā)式技術(shù)獲得一個(gè)高質(zhì)量的解可以幫助MPQGA算法更愉快地找到目標(biāo)的解。均勻覆蓋可以使

7、個(gè)體很均勻地分散并覆蓋整個(gè)可行解空間。種群的遺傳多樣性可以幫助的遺傳算法盡可能地達(dá)到所有的可行解空間。
　　3.為了進(jìn)一步提高調(diào)度性能，基于正態(tài)分布的概率模型，提出了正態(tài)隨機(jī)步及正態(tài)分布選擇思想，同時(shí)使用在兩個(gè)分子之間進(jìn)行異(XOR)操作來(lái)減少分子克隆的機(jī)會(huì)。最后通過(guò)一個(gè)偽隨機(jī)洗牌方法來(lái)生成新的分子，以保持分子多樣性，或消除近親的分子。該混合化學(xué)反應(yīng)優(yōu)化(Hybrid Chemical Reaction Optimization,

8、HCRO)算法在DAG任務(wù)調(diào)度問(wèn)題上實(shí)現(xiàn)了更好的性能和調(diào)度質(zhì)量。
　　4.基于動(dòng)態(tài)電壓調(diào)節(jié)技術(shù)(Dynamic voltage and frequency scaling,DVFS)，提出了具有回收機(jī)制的自底向上動(dòng)態(tài)拉伸的節(jié)能任務(wù)再調(diào)度算法，用于解決DAG圖任務(wù)調(diào)度的節(jié)能問(wèn)題，從而在不影響調(diào)度質(zhì)量的情況下減小系統(tǒng)的能量消耗的目的。
　　5.如何在提升并行任務(wù)調(diào)度質(zhì)量的同時(shí)，又降低系統(tǒng)能耗，是異構(gòu)高性能計(jì)算系統(tǒng)性能評(píng)價(jià)體系中的