[发明专利]一种基于改进遗传算法的异构资源智能并行调度方法

权利要求书

1.一种基于改进遗传算法的异构资源智能并行调度方法，其特征在于，包括以下步骤：

步骤S1，定义集合、变量及决策变量；

步骤S2，对异构资源进行并行调度，具体包含以下步骤：

步骤S21，判断作业m是否只适用于CPU计算框架或GPU计算框架其中一种，是则y_m＝1，否则y_m＝0；

步骤S22，将具有单一适用框架的作业m用三维向量表示，将可同时适用于CPU和GPU计算框架的作业m用五维向量表示，用三维向量表示计算框架k下的计算节点i的带宽、内核、内存属性；

步骤S23，建立作业与节点i的对应关系属性，关系式如下，

其中，其中AbilityDivide取集合{IOCompute_i/CoreCompute_i}中的中位数，以此来划分CPU计算框架和GPU计算框架；当IO_mk/Core_mk≥AbilityDivide时，h_m＝0，表示调度到CPU计算框架；当IO_mk/Core_mkAbilityDivide时，h_m＝1，表示调度到GPU计算框架；

步骤S24，将作业m在计算节点i的预计运行时间为TDemand_im，节点i的不确定作业排队等待时间为Twait_i，计算节点i实际运行时间TCost_i表示为：

TCost_i＝∑_m∈MTDemand_im+Twait_i；

其中，排队等待时间既包括因为调度计算所花费的时间，也包括某一作业实际执行时间超出预计执行时间所造成后续作业的推迟；

步骤S25，根据资源预留的规则，作以下定义：τ_i＝ω₁IOCompute_i+ω₂CoreCompute_i+ω₃RCompute_i，γ_m＝ω₁IO_mk+ω₂Core_mk+ω₃R_m，其中，将某一作业分配到某节点取决于带宽、内核和内存的加权值，τ_i表示计算节点i的加权值，γ_m表示任务m的加权值，ω₁、ω₂、ω₃根据经验设定；

步骤S26，将作业m根据γ_m的计算结果由大到小排列，并由大到小依次调度到各个节点上，某一个节点i的终止条件如下所示，τ_i-γ_mγ_a，其中，作业a表示为除已调度和作业m外的任意作业，该式表示一旦调度作业m，则剩余作业无法在节点i上调度；

步骤S27，定义决策变量Z_im，Z_im表示如果调度作业m∈M分配到i赋值为1，否则是0。

步骤S3，建立约束模型，具体包含以下步骤：

步骤S31，定义约束模型符合以下假设条件：资源预留原则、不考虑时钟中断和网络中断的因素影响、不考虑设备损耗；

步骤S32，基于上述假设条件，建立异构资源智能并行调度约束模型，

min{f＝maxTCost_i}；

其中，上述约束模型中，目标函数f的含义是计算关键路径的时长并令其最小化，约束包括带宽约束、计算核数约束、内存约束和决策变量约束；

步骤S33，利用公式对模型进行数学转换，

步骤S4，基于改进遗传算法进行求解，具体包含以下步骤：

步骤S41，定义染色体长度为Chrom、最大进化代数为Generationnmax、种群大小为Popsize、交叉率为Pcrossover、变异率为pmutation，给IO_mk、Core_mk、R_m、IOCompute_i、CoreCompute_i、RCompute_i、TDemand_im、M、N赋值，并设定每条染色体最大基因数；

步骤S42，初始化种群；

步骤S43，根据优胜劣汰的标准，计算适应度函数，将当前计算的适应度进行排序，其中，适应度函数值的大小表示染色体质量，适应度函数值越大，其对环境的适应能力越好，反之亦然；

步骤S44，执行选择操作，从当前种群中选择W个个体作为下一代种群的父代种群Q，采用随机遍历采样法、局部选择法、适应度比例选择法、轮盘赌选择方法中的任意一种遗传算法；

步骤S45，执行交叉操作；

步骤S46，执行变异操作，设定变异率值，其中，遗传变异是指群体中部分个体的染色体发生一个或多个基因的突变，这些基因突变变成相同位置的其他基因，即产生了一个新的突变体，变异可以提高种群个体的多样性，使遗传算法具有局部随机搜索的能力，同时可以降低算法过早收敛的概率；

步骤S47，重复迭代步骤S44至步骤S46产生新种群，直到满足结束条件，其中，结束条件为：当遗传算法产生的个体的适应度达到预设的阈值，同时适应度函数值保持稳定，表明算法已收敛于某一最优解，即得到成熟种群，则停止进化，反之亦然，或者当迭代次数达到预设次数也停止操作；

步骤S48，给最优个体进行解码，得到相对最优解，保存求解结果并退出。