[发明专利]一种嵌入式异构多处理器系统的任务调度方法

摘要

本发明涉及一种嵌入式异构多处理器系统的任务调度方法。现有的算法需要花费大量的时间用于寻优，解决实际问题能力欠缺。本发明方法首先动态调整粒子速度V，得到一个速度的最优值；然后根据粒子速度的最优值调整惯性权重w；最后模拟任务调度方法。本发明针对具有复杂功能的嵌入式多处理器系的全局搜索能力和局部搜索能力的平衡性，粒子群优化算法在迭代后期搜寻能力下降的问题，通过调整调整飞行时间和惯性权重，提出了优化其平衡性提升其迭代后期搜寻能力的任务调度方法。

主权项

1、一种嵌入式异构多处理器系统的任务调度方法，其特征在于该方法的具体步骤是：步骤(1).动态调整粒子速度V粒子群算法中粒子通过跟踪两个“极值”来更新自己的速度，算法结构简单，运行速度比较快；但是，标准的粒子群算法在搜索最优解时，有时会出现粒子在最优解的附近来回运动现象，而且这个最优解可能就是局部最优解；因此，我们提出了调整粒子的飞行速度，在进化初期，粒子距离最优位置较远，粒子的飞行速度应快一些，这样有利于尽快的移向最优位置；当粒子距离最优位置较近时，粒子的飞行速度应慢一些，这样可以避免因飞行速度过快而导致的粒子“飞过”最优位置从而产生的来回运动现象；标准的粒子群算法在进化初期和后期都固定飞行速度系数设置为1，这将将导致粒子群在进化后期搜索性能下降；粒子飞行速度的计算方程式如下所示：Xij(t+1)=Xij(t)+Vij(t+1)×(1+k×sin[(iterImax+12)×π])---(1)]]>X_ij(t+1)表示在时间点t+1的位移，V_ij(t+1)表示在时间点t+1的速度，iter表示粒子当前的进化代数；I_max表示粒子的最大进化代数；K为比例系数，是常量；通过上述方程式对影响粒子飞行速度的因子进行动态调整，得到一个速度的最优值；步骤(2).调整惯性权重w在进化的最初阶段，PSO算法具有快速的收敛速度，但是，在进化后期，PSO算法收敛速度变慢，因此，这将导致粒子的收敛精度下降；因此我们提出了惯性权重的调整策略；w仍然随迭代次数线性递减，当迭代次数到达某个阈值时，这时ω的初值为w_min；然后w随迭代次数线性递增，这样w随迭代次数变化而变化，有助于算法摆脱局部极值，增强PSO的全局搜索能力，找出最优解；通过参考粒子群算法的研究者们在设计惯性权重以及其他参数变化机制的基础上，我们提出惯性权重的调整策略；FIPSO算法的惯性权重计算公式如下：w=wmax-wmax-wminiterT×iter,iter≤iterT---(2)]]>w=wmin+iter-iterTitermax-iterT×wmax,iter≥iterT---(3)]]>iter为迭代次数；iter总为设置的总的迭代次数；inter阈值为迭代次数的阈值；w_max是惯性权重的最大值；w_min是惯性权重最小值；步骤(3).模拟任务调度方法，具体步骤是：步骤a.初始化一群粒子，确定群体规模m，给定算法的最大、最小权重因子值，根据调度所需时间设定算法总的迭代次数iter总和迭代次数的阈值iter阈值；步骤b.根据所定义的适应度函数sij=(Ti_execution_time)jΣj=1m(Ti_execution_time)j∈[0,1]]]>来计算每个微粒的适应值；步骤c.比较粒子的适应值和自身最优值pbest，如果当前值比pbest更优则置pbest为当前值；比较粒子适应值与种群最优值；如果当前值比gbest更优，则置gbest为当前粒子的矩阵下标和适应值；步骤d.判断是否达到了阈值迭代，若没有，则w值由公式(2)计算得出，若有，w值则由公式(3)计算得出；步骤e.根据以下式子对粒子速度进行更新；v_ij(t+1)＝w×v_ij(t)+c₁r₁(pbest_ij-X_ij(t))+c₂r₂(gbest_j-X_ij(t))X_ij(t+1)＝X_ij(t)+v_ij(t+1)pbest为个体极值，gbest为全局极值，c₁和c₂表示学习因子，r₁和r₂是0到1之间的随机数；步骤f.根据调整粒子飞行速度来更新粒子的位置；计算方程式如下：v_ij(t+1)+＝w×v_ij(t)+c₁r₁(pbest_ij-X_ij(t))+c₂r₂(lbest_j-X_ij(t))X_ij(t+1)＝X_ij(t)+v_ij(t+1)pbest为个体极值，1best为局部极值，c₁和c₂表示学习因子，r₁和r₂是0到1之间的随机数；步骤g.判断是否达到最终迭代次数，如果没有达到，执行步骤c；如果达到了，则从最后一代中获得个体最佳值。