多核系统低功耗调度算法研究

发布时间：2023-10-03 23:11

　　由于处理器性能高速发展,能耗成为人们不得不关注的问题,因此多核低功耗调度的问题一直是现在的研究热点。在现有的多核低功耗调度的研究上,存在下面三个问题。第一,在模型建立过程中,很多学者只考虑了将任务划分到处理器,然后进行任务调度,并未有效的结合低功耗技术DVFS和DPM进行研究。此外,在能耗的计算上,大多数学者只考虑到了动态能耗、静态能耗、通信能耗等,没有将睡眠能耗、电压切换能耗、睡眠电压切换能耗一起考虑在内。第二,优化算法使用中,很多学者采用启发式算法例如遗传算法、粒子群算法等,这些算法非常容易陷入局部最优,尤其是当作业数量较多时,算法的求解效果非常不理想。第三,大多数学者只关注算法的运算效果,很少有学者注意算法的运算时间问题。事实上,当作业数量很大时,优化算法的运算非常耗时。针对第一个问题,在第二章中建立模型的过程中,结合DVFS和DPM低功耗技术,并综合考虑了上述的六种能耗。针对第二个问题,在第三章首先实现了遗传算法和粒子群算法,然后提出了模板矩阵替换优化算法(TMR),该算法受到形态学算法的启发而设计,具有良好的局部搜索能力。最后在通过对比实验对上述算法进行效果分析,根据实验结果...

【文章页数】：71 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 研究背景及意义
    1.2 多核系统低功耗算法相关研究现状
        1.2.1 DPM和DVFS低功耗技术
        1.2.2 低功耗调度算法研究现状
    1.3 本文主要内容和结构
    1.4 本章小结
第2章 多核系统能耗优化模型建立
    2.1 任务调度模型设计
        2.1.1 任务模型
        2.1.2 调度模型
    2.2 时间模型设计
    2.3 能耗模型设计
        2.3.1 能耗分类
        2.3.2 收支平衡问题
        2.3.3 算法描述
    2.4 本章小结
第3章 模板矩阵替换(TMR)算法
    3.1 优化算法的实现
        3.1.1 遗传算法实现
        3.1.2 粒子群算法实现
    3.2 模板矩阵替换算法设计
        3.2.1 算法思路
        3.2.2 算法设计
    3.3 实验及其结果分析
        3.3.1 实验参数配置
        3.3.2 轻任务算法优化结果分析
        3.3.3 重任务算法优化结果分析
        3.3.4 算法耗时分析
    3.4 本章小结
第4章 融合Q-Learning的TMR算法
    4.1 融合Q-Learning算法的形态学优化算法(Q-TMR)
        4.1.1 Q-Learning算法
        4.1.2 Q-TMR算法设计
        4.1.3 行动选择优化问题
    4.2 断点计算的能耗计算方法
        4.2.1 断点计算
        4.2.2 断点计算实现
        4.2.3 断点计算对计算次数的影响
    4.3 实验及其结果分析
        4.3.1 实验参数配置
        4.3.2 算法优化结果分析
        4.3.3 算法耗时分析
    4.4 本章小结
第5章 总结和展望
    5.1 总结
    5.2 展望
参考文献
致谢
攻读硕士学位期间主要的工作



本文编号：3850838