异构分布式系统中一种新的基于无序遗传的任务调度算法(Matlab代码实现)

 👨‍🎓个人主页：研学社的博客 

💥💥💞💞欢迎来到本博客❤️❤️💥💥

🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。

⛳️座右铭：行百里者，半于九十。

📋📋📋本文目录如下：🎁🎁🎁

目录

💥1 概述

📚2 运行结果

🎉3 参考文献

🌈4 Matlab代码及文章讲解

---

💥1 概述

网格和云计算等分布式系统为世界各地的用户提供web服务。服务提供商遇到的最重要的问题之一是处理总体拥有成本（TCO）。由于资源管理效率低下，TCO的很大一部分与功耗有关。任务调度模块作为一个关键组件，可以对用户响应时间和底层资源利用率产生巨大影响。这样的异构分布式系统具有以不同速度和架构互连的不同处理器。此外，通常以有向无环图（DAG）的形式呈现的用户应用程序必须在这种类型的并行处理系统上执行

由于此类复杂系统中的任务调度属于NP难问题，现有的启发式方法不再有效。因此，趋势是应用混合元启发式方法。在本文中，我们扩展了一种基于元启发式混合遗传的任务调度算法，以最小化用户应用程序的总执行时间（makespan）。在这方面，我们利用其他启发式方法，如异构最早完成时间（HEFT）方法，通过应用新的洗牌算子来生成智能初始种群，这将在搜索空间中探索可行和有前途的个体。我们还以正确的方式指导其他遗传算子，以产生最终接近最优的解。为了取得具体的结果，我们进行了几个场景。与其他现有方法（如HEFT版本和QGARAR）相比，我们提出的算法在平均完工时间方面优于其他现有方法。

详细文章讲解见第4部分。

📚2 运行结果

部分代码：

clc
clear
close all
%%
global nVM nTask DAG extP0 extP1 extP2 c
nVM=3; % Number of Hetergenous Virtual Machines
c=ones(nVM)-eye(nVM);  % communication time between servers
nTask=11; % Number of Tasks
DAG=[0 12 14 0 0 0 0 0 0 0 0  % Directed Acyclic Graph
     0 0 0 8 15 11 0 0 0 0 0
     0 0 0 0 0 0 13 0 0 0 0
     0 0 0 0 0 0 0 11 0 0 0
     0 0 0 0 0 0 0 8 0 0 0
     0 0 0 0 0 0 0 0 7 12 0
     0 0 0 0 0 0 0 0 0 14 0
     0 0 0 0 0 0 0 0 0 0 15
     0 0 0 0 0 0 0 0 0 0 7
     0 0 0 0 0 0 0 0 0 0 10
     0 0 0 0 0 0 0 0 0 0 0];
extP0=[7 10 5 6 10 11 12 10 8 15 8]; %Execution Time on Processor1
extP1=[9 9 7 8 8 13 15 13 9 11 9];
extP2=[8 14 6 7 6 15 18 7 10 13 10];
Wbar=[8 11 6 7 8 13 15 10 9 13 9]; % Average Computation Cost
npop=20; % population size
maxIter= 100; % maximum number of generation
%% The first generation:
population=INITp(npop);
%% Genetic optimization:
for iter=1:maxIter
    for i=1:npop
        cost(i)=MAPPER(population{i});
        fitness(i)=1/cost(i);
    end
    for i=1:npop
        probs(i)=fitness(i)/sum(fitness);
    end
    [val,idx]=sort(cost);
    best=population{idx(1)};
    min_cost=val(1);
    disp(['Generation ',num2str(iter),' ... min cost= ',num2str(min_cost)]);
    plot(iter,min_cost,'ko');
    hold on
    pause(0.000001)
    for i=1:npop
        if i<= 0.2 * npop
            newPopulation{i}=population{idx(i)};
        else
            id1=randsrc(1,1,[1:npop;probs]); % Roullete wheel 

🎉3 参考文献

部分理论来源于网络，如有侵权请联系删除。

[1]Hosseini, M. (2018). A new Shuffled Genetic-based Task Scheduling Algorithm in Heterogeneous Distributed Systems. Journal of Advances in Computer Research, 9(4), 19-36.

 

🌈4 Matlab代码及文章讲解