在实时系统中优化多处理器性能,使用创新的遗传算法方法

科学领域:

• 计算机科学 计算机科学
• 实时系统工程实时系统工程
• 人工智能的人工智能

背景情况:

• 多处理器上的任务调度对于系统功能至关重要,但在计算上具有挑战性.
• 遗传算法 (GA) 为优化复杂的调度问题提供了一个有希望的,但尚未被充分探索的工具.
• 现有的调度算法,如最早的截止日期 (EDF) 和最少的宽松率 (LLF),在性能和可靠性方面存在局限性.

研究的目的:

• 提出一种基于遗传算法的新方法,用于在实时多处理器系统中生成最佳或次优任务日程表.
• 通过最大限度地减少时间表长度和实现高效率来提高系统性能.
• 为了应对在相同的多处理器上安排非先发性独立任务的挑战.

主要方法:

• 开发一种利用遗传算法原则的新任务调度算法.
• 专注于在具有相同处理器的多处理器环境中的非先发制人的独立任务.
• 与已建立的算法进行比较分析:进化模糊基于调度算法,最小宽松率第一,最早的截止日期第一.

主要成果:

• 拟议的基因算法方法在比较方法中表现出更高的效率和可靠性.
• 在所有测试的场景中实现了零错过的截止日期.
• 始终提供最低的平均响应和周转时间,即使在高系统负载下.

结论:

• 基于新型遗传算法的任务调度器对实时多处理器系统非常有效.
• 拟议的方法在性能指标上提供了显著的改进,例如最后期限遵守和响应时间.
• 这项研究验证了遗传算法在计算机系统中高级调度问题的潜力.