[发明专利]一种基于改进遗传算法的仿真资源调度方法

说明书

技术领域

本发明涉及仿真资源调度领域。更具体地，涉及一种基于改进遗传算法的仿真资源调度方法。

背景技术

由于高性能高通量仿真应用具有多用户高并发的特点，当多个仿真任务竞争有限的系统资源的时候，高效的任务和资源调度方法能够大幅提高系统的吞吐率。目前已经存在不少的任务调度系统和算法，但是都不是针对高性能高通量仿真设计的专业调度系统，系统的通用性并不能完全针对仿真应用的特点进行专门的优化，因此需要研究在高性能高通量计算系统上的面向仿真应用的任务调度方法，最大化的提高仿真应用的性能和整体吞吐率。

遗传算法是解决复杂组合优化问题的通用框架，与问题的具体领域无关，搜索过程不需要考虑问题的内在性质，只考虑适应度函数，已经广泛应用于函数优化、生产调度、图像处理、机器学习等领域。但针对高通量仿真中模型运行时间未知的情况下，运行遗传算法解决具有依赖关系的模型资源映射时既考虑模型的计算消耗又考虑模型间的通信消耗时，需要提出对遗传算法的改进，让遗传算法更好的适应于任务调度问题和提高遗传算法的优越性。

因此，需要提供一种基于改进遗传算法的仿真资源调度方法，提高高通量仿真资源调度效率，提高任务完成效率和仿真系统的吞吐率。

发明内容

本发明的一个目的在于提供一种基于改进遗传算法的仿真资源调度方法，以提高高通量仿真资源调度效率，提高任务完成效率和仿真系统的吞吐率。

为达到上述目的，本发明采用下述技术方案：

本发明公开了一种基于改进遗传算法的仿真资源调度方法，所述方法包括：

S1：初始化生成仿真模型与仿真资源的种群；

S2：基于适应度函数计算种群中每个个体的个体适应值；

S3：基于单点交叉方法对种群进行交叉操作；

S4：基于自适应的变异概率对种群进行变异操作；

S5：采用基于累计概率改进的选择算子对种群进行选择操作；

S6：重复S1-S5，达到预定步数后结束。

优选地，所述S1结合随机分配原则和优化分配原则初始化所述种群；

所述优化分配原则将具有相同高度的仿真模型分配至不同的仿真资源上，并将仿真模型的高度与仿真资源的计算能力相匹配。

优选地，所述适应度函数用负载不平衡量表示。

优选地，所述适应度函数为负载不平衡量的倒数。

优选地，所述单点交叉方法为

适应度高的个体，等概率的选择仿真模型和者仿真资源进行交叉操作；

适应度低的个体，仿真模型和者仿真资源都进行交叉操作；

编码的仿真模型和者仿真资源使用不同的交叉方法。

优选地，所述S3包括：

S31：从种群中随机选择两个个体作为父个体；

S32：计算两个父个体的适应值，将其中较大的父个体与种群平均适应值比较；

S33：若较大的父个体的适应值小于种群平均适应值，按照单点交叉方法的概率进行仿真模型和仿真资源的交叉操作，或者将该父个体直接复制到新一代种群中；

S34：若较大的父个体的适应值大于种群平均适应值，按照单点交叉方法的概率进行交叉操作，其中交叉操作等概率的选择仿真模型和仿真资源的交叉操作，或者将该父个体直接复制到新一代种群中；

S35：删除所述两个父个体，重复S31-S34，当上一代种群中的个体个数为0时，交叉操作结束。

优选地，所述自适应的变异概率为

当种群各个适应度趋于一致或者趋于局部最优时，变异概率变大；

当群体适应度比较分散时，变异概率变小；

对于适应度值高于群体平均适应值得个体，取较小的变异概率；

对于适应度值低于群体平均适应值得个体，取较大的变异概率。

优选地，所述S4包括：

S41：从种群中随机选择一个个体作为父个体；

S42：计算父个体的适应值，并与种群平均适应值比较；

S43：若父个体的适应值小于种群平均适应值，按照自适应的变异概率进行仿真模型和仿真资源的变异操作，或者将该父个体直接复制到新一代种群中；

S44：若父个体的适应值大于种群平均适应值，按照自适应的变异概率进行变异操作，其中变异操作等概率的选择仿真模型和仿真资源进行变异操作，或者将该父个体直接复制到新一代种群中；

S45：删除所述父个体，重复S41-S44，当上一代种群中的个体个数为0时，交叉操作结束。

优选地于，所述S5包括：