A new heuristic for task scheduling in heterogeneous computing environment

Heterogeneous computing （HC） environment utilizes diverse resources with different computational capabilities to solve computing-intensive applications having diverse computational requirements and constraints. The task assignment problem in HC environment can be formally defined as for a given set of tasks and machines, assigning tasks to machines to achieve the minimum makespan. In this paper we propose a new task scheduling heuristic, high standard deviation first （HSTDF）, which considers the standard deviation of the expected execution time of a task as a selection criterion. Standard deviation of the expected execution time of a task represents the amount of variation in task execution time on different machines. Our conclusion is that tasks having high standard deviation must be assigned first for scheduling. A large number of experiments were carried out to check the effectiveness of the proposed heuristic in different scenarios, and the comparison with the existing heuristics （Max-min, Sufferage, Segmented Min-average, Segmented Min-min, and Segmented Max-min） clearly reveals that the proposed heuristic outperforms all existing heuristics in terms of average makespan.     

网格协同计算中任务调度系统研究

网格环境下协同工作机制的研究具有重要的理论与应用价值,本文分析了网格环境下协同工作中任务调度的基本功能需求,并结合现有Globus平台对其中的关键技术进行了研究,给出了调度系统的原型设计。     

云计算环境下基于遗传算法的任务调度技术研究

遗传算法是一种通过模拟自然进化过程搜索最优解的方法。目前,将遗传算法作为云计算环境下的任务调度算法已逐渐成为研究热点。云计算作为一种全新的分布式计算模式,通过网络将大量分散资源按用户所需进行分配,其实施资源分配、任务调度的技术将直接决定“云计算”性能的高低。探讨当前云计算中基于遗传算法的任务调度技术研究现状及有待解决的问题,为进一步研究指出方向。     

云环境下结合改进粒子群优化与检查点技术的容错调度算法

云计算环境中任务执行容易受资源故障影响,导致调度效率与成功率降低。针对该问题,提出一种结合改进粒子群优化与检查点技术的容错调度算法。通过改进粒子群优化算法进行全局搜索,寻找粒子群最优解,以保证任务获取最优资源,减少调度复杂度;同时通过设置检查点,使失效任务从检查点继续执行,实现任务动态恢复,提高调度可靠性。仿真实验表明,与传统算法相比,当任务数量不断增加时该算法可提高任务执行成功率,缩短任务执行时间。     

异构多核调度算法研究综述

随着嵌入式系统的发展,异构多核由于运算能力强、成本低等特点,已成为当前关注热点.合适的任务调度算法才能发挥异构多核处理器的全部性能,目前运行在异构多核处理器上的操作系统大多采用同构多核处理器的任务调度算法,并不能适用于所有异构多核处理器,研究异构多核性能的任务调度算法意义重大.阐述几种异构任务调度算法,对比它们在任务调...     

面向深度学习训练的异构任务调度研究

针对异构深度学习训练中任务调度效率低下的问题，提出了一种计算集群训练任务进度利润最大化的模型，该模型可以动态分配集群中多任务的计算单元数量.对每个模型进行预训练，以获得它们的进度曲线，并为每个模型建立关于处理速度的资源模型，建立了进度增量最大化模型，设计了贪婪算法用于分配集群中的资源.实验结果表明，本调度算法能减少任务完成时间.