حل مسئله زمانبندی گراف وظایف با استفاده از الگوریتم ژنتیک بهبود یافته در معماری چندپردازنده ای

سال انتشار: 1395
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 883

فایل این مقاله در 13 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

CBCONF01_0716

تاریخ نمایه سازی: 16 شهریور 1395

چکیده مقاله:

زمانبندی بهینه وظایف یکی از چالشهای سیستم های چند پردازنده ای است که امروزه کابرد وسیعی در محاسبات موازیدارند. در این سیستم ها این مسئله یک امر حیاتی برای داشتن سریعترین زمان پاسخ و حداقل سازی زمان انتظار است. الگوریتمهای موجود همواره سعی در توزیع وظایف به پردازنده ها در جهت افزایش کارائی سیستم از دید گاه حداقل سازی زمان پاسخ وهزینه دارند. با این حال با توجه به اینکه الگوریتم های مبتنی بر روش های قطعی بواسطه NP-Hard بودن این مسئله معمولاً کارانبوده اند استفاده از رویکردهای پردازش تکاملی و به طور عمده الگوریتم ژنتیک برای حل این مسئله می تواند مؤثر واقع شود. در اینتحقیق از الگوریتم ژنتیک بهبود یافته برای زمانبندی گراف وظایف در معماری چند پردازنده ای استفاده شده است. از ویژگی هایاین الگوریتم عدم نیاز به محاسبات مربوط به تنظیم پارامترهای نرخ جهش و نرخ برش می باشد. نتایج حاصل از اجرای تکنیکپیشنهادی در آزمایش های متفاوت نشان از بهتر شدن زمان پاسخ و توازن بار مناسب روی پردازنده ها نسبت به روش های موجود ازجمله نسبت به مدل بر پایه الگوریتم ژنتیک بوده است.

کلیدواژه ها:

زمانبندی گراف وظایف ، معمابی چند پردازنده ای ، پردازش تازیع شده ، الرابیتم ژنتیک بهباد یافته

نویسندگان

سیدمسعود مقبلی

دانشکده مهندسی ، گروه مهندسی کامپیوتر، دانشگاه آزاد اسلامی واحد گرمسار

خسرو امیری زاده

دانشکده مهندسی ، گروه مهندسی کامپیوتر، دانشگاه آزاد اسلامی واحد گرمسار

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • Pinedo, M. L. (2012). "Scheduling: theory, algorithms, and systems, " ...
  • Gotoda, S., Ito, M., and Shibata, N. (2012). "Task scheduling ...
  • Omara, F. A., & Arafa, M. M. (2010). :Genetic algorithms ...
  • Ergen, S. C., & Varaiya, P. (2010). "TDMA scheduling algorithms ...
  • Parsa, S., Lotfi, S., & Lotfi, N. (2007). _ evolutionary ...
  • Mezmaz, M., Melab, N., Kessaci, Y., Lee, Y. C., Talbi, ...
  • Engin, O., Ceran, G., & Yilmaz, M. K. (2011). _ ...
  • Xu, Y, Li, K., Hu, J., & Li, K. (2014). ...
  • Areias, P., & Belytschko, T. (2005). "Analysis of three -dimensional ...
  • Dasgupta, D., & Michalewicz, Z. (Eds.). (2013), "Evolutionary algorithms in ...
  • Mehrafsa, A., Sokhandan, A., and Karimian, G. (2013). _ high ...
  • Liu, W., Gu, Z., Xu, J., Wu, X., and Ye, ...
  • Kanoun, K., Mastronarde, N., Atienza, D., and Van der Schaar, ...
  • Han, Y., Wu, F., Lu, X., Tian, Q., Zhuang, Y., ...
  • http : _ .kasahara. elec .waseda. ac.ip/schedule/ visited on 12-12-2015 ...
  • نمایش کامل مراجع