移动云计算任务交互图的能效映射与调度
发布时间：2021-01-24 00:51
为了降低移动设备的能耗,移动应用可分解为多个互联模块,构建为任务交互图TIG结构,并卸载至云端资源上执行。多数已有研究仅在任务调度阶段以动态电压/频率调整手段进行能量优化,忽略了任务-资源映射阶段。基于此,在任务-资源映射阶段和资源频率分配阶段中同步进行能量优化,设计一种基于二次分派问题QAP的调度算法。任务-资源映射阶段中,计算最差全局松驰时间,并将其分配至整个TIG中的任务。资源频率分配阶段中,通过动态电压/频率调整,在不超过局部期限的同时减慢任务执行,实现能效优化。实验结果表明,在该算法下进行的任务卸载,平均可以为移动设备节省约35%的能耗。
【文章来源】：计算机应用与软件. 2020,37(01)北大核心
【文章页数】：8 页
【部分图文】：
任务-资源最优分配
执行能耗
内层的调度最优化GA试图寻找一个资源频率分配,得到最大化的计算代价,如图1所示。算法以FF个频率组合f∈F作为初始种群,适应度函数为每个资源频率映射下的计算代价。初始种群产生后,下一代资源频率分配即产生。每一代通过优良个体选择、个体交叉和变异产生新的种群。种群进化直到达到迭代次数的终止条件即为止。算法的目标是找到在对应任务-资源分配条件下最大化计算代价T*comp的资源频率分配,该最优值在上层问题T中被替代,然后,外层的映射优化GA被初始化寻找最优的任务资源分配以产生最小化的全局松驰时间。外层GA算法以M!个任务-资源分配组合a∈A进行初始化,此时适应度函数为每种任务-资源分配下的全局松驰时间。初始种群产生后,下一代任务-资源分配即产生。每一代同样通过优良个体选择、个体交叉和变异产生新的种群。种群进化直到达到迭代次数的终止条件即为止。算法的目标是找到产生最小化全局松驰时间T*slack的任务-资源分配和相应的资源频率分配下得到的计算代价。两种GA算法的过程如算法1和算法2所示。
【参考文献】：
期刊论文
[1]Energy-Aware Scheduling with Uncertain Execution Time for Real-Time Systems[J]. ZHANG Longxin,TONG Zhao,ZHU Ningbo,XIAO Zheng,LI Kenli. Chinese Journal of Electronics. 2017(01)
本文编号：2996242
【文章来源】：计算机应用与软件. 2020,37(01)北大核心
【文章页数】：8 页
【部分图文】：
任务-资源最优分配
执行能耗
内层的调度最优化GA试图寻找一个资源频率分配,得到最大化的计算代价,如图1所示。算法以FF个频率组合f∈F作为初始种群,适应度函数为每个资源频率映射下的计算代价。初始种群产生后,下一代资源频率分配即产生。每一代通过优良个体选择、个体交叉和变异产生新的种群。种群进化直到达到迭代次数的终止条件即为止。算法的目标是找到在对应任务-资源分配条件下最大化计算代价T*comp的资源频率分配,该最优值在上层问题T中被替代,然后,外层的映射优化GA被初始化寻找最优的任务资源分配以产生最小化的全局松驰时间。外层GA算法以M!个任务-资源分配组合a∈A进行初始化,此时适应度函数为每种任务-资源分配下的全局松驰时间。初始种群产生后,下一代任务-资源分配即产生。每一代同样通过优良个体选择、个体交叉和变异产生新的种群。种群进化直到达到迭代次数的终止条件即为止。算法的目标是找到产生最小化全局松驰时间T*slack的任务-资源分配和相应的资源频率分配下得到的计算代价。两种GA算法的过程如算法1和算法2所示。
【参考文献】：
期刊论文
[1]Energy-Aware Scheduling with Uncertain Execution Time for Real-Time Systems[J]. ZHANG Longxin,TONG Zhao,ZHU Ningbo,XIAO Zheng,LI Kenli. Chinese Journal of Electronics. 2017(01)
本文编号：2996242
本文链接：https://www.wllwen.com/kejilunwen/jisuanjikexuelunwen/2996242.html
