本文關(guān)鍵詞：基于改進(jìn)的多級反饋隊列算法的任務(wù)調(diào)度研究

  更多相關(guān)文章： 任務(wù)調(diào)度 多級反饋隊列 動態(tài)時間片 神經(jīng)網(wǎng)絡(luò)

【摘要】：近年來,大數(shù)據(jù)、云計算等新興技術(shù)的出現(xiàn),給任務(wù)調(diào)度方法研究帶來了新的挑戰(zhàn)。任務(wù)調(diào)度問題是將任務(wù)進(jìn)程按照一定的規(guī)則分配到處理器上,使得任務(wù)完成時間最短。有效的任務(wù)調(diào)度方法將會大大提高處理器系統(tǒng)的計算能力,降低不必要的能耗。多級反饋隊列調(diào)度算法結(jié)合了先來先服務(wù)調(diào)度算法、短作業(yè)優(yōu)先調(diào)度算法、優(yōu)先級調(diào)度算法和輪轉(zhuǎn)調(diào)度法等多種方法。相比于這幾種調(diào)度算法,它不必事先知道各種進(jìn)程的執(zhí)行時間,而且還可以滿足各種類型進(jìn)程的需要。尤其是在解決海量任務(wù)的時候,多級反饋隊列調(diào)度算法的優(yōu)勢更為明顯。本文以獨(dú)立任務(wù)為研究對象,對傳統(tǒng)的基本任務(wù)調(diào)度方法進(jìn)行了研究。通過對多級反饋隊列任務(wù)調(diào)度算法的改進(jìn),獲得了更快的任務(wù)完成時間和較小的開銷。主要工作體現(xiàn)在如下幾個方面:(1)研究操作系統(tǒng)的基本調(diào)度方式和調(diào)度算法,通過具體的實例對比六種基本調(diào)度方法,分析了它們在面向用戶和面向系統(tǒng)兩個準(zhǔn)則上的性能差異,給出了各個調(diào)度算法的優(yōu)勢和劣勢;研究了神經(jīng)網(wǎng)絡(luò)技術(shù)的特征、常用的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)以及神經(jīng)網(wǎng)絡(luò)用于多級反饋隊列的優(yōu)點(diǎn)。(2)對基于多級反饋隊列(Multi-Layer Feedback Queue,MLFQ)的幾種任務(wù)調(diào)度模型進(jìn)行深入研究,多級反饋隊列調(diào)度算法的關(guān)鍵因素是對時間片的選取,過長的時間片大小不利于短進(jìn)程作業(yè)用戶和過短的時間片大小不利于長進(jìn)程作業(yè)用戶,針對該問題提出一種改進(jìn)的MLFQ算法(Multi-Layer Feedback Queue based on Burst Time of the running processes,BT-MLFQ)。BT-MLFQ算法采用動態(tài)時間片方法,首先采用隊列當(dāng)前的時間片大小來執(zhí)行初次進(jìn)入系統(tǒng)的進(jìn)程,利用計時器預(yù)估該進(jìn)程的執(zhí)行時間;其次,根據(jù)隊列中進(jìn)程的執(zhí)行情況,依次創(chuàng)建隊列,直到所有進(jìn)程都執(zhí)行完畢。實驗結(jié)果表明,相對于其他的MLFQ算法,BT-MLFQ算法在任務(wù)平均周轉(zhuǎn)時間、平均等待時間和交換次數(shù)上有明顯的提升,是一種高效的智能任務(wù)調(diào)度算法。(3)考慮用戶任務(wù)進(jìn)程的相關(guān)性,為了讓BT-MLFQ算法更具有適應(yīng)性,利用神經(jīng)網(wǎng)絡(luò)通過學(xué)習(xí)任務(wù)進(jìn)程來優(yōu)化多級反饋隊列算法時間片和隊列的大小,從而完成了基于進(jìn)程執(zhí)行時間的多級反饋隊列自適應(yīng)(A Self-Adaption Multi-Layer Feedback Queue Based on the Burst Time,SA-BT-MLFQ)調(diào)度算法模型的設(shè)計。
【關(guān)鍵詞】：任務(wù)調(diào)度 多級反饋隊列 動態(tài)時間片 神經(jīng)網(wǎng)絡(luò)
【學(xué)位授予單位】：南京航空航天大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2015
【分類號】：TP301.6
【目錄】：

• 摘要4-5
• ABSTRACT5-11
• 縮略詞11-12
• 第一章 緒論12-17
• 1.1 研究背景和意義12-13
• 1.2 國內(nèi)外研究現(xiàn)狀13-15
• 1.3 論文的主要研究工作15
• 1.4 論文的組織結(jié)構(gòu)15-16
• 1.5 小結(jié)16-17
• 第二章 任務(wù)調(diào)度相關(guān)技術(shù)17-33
• 2.1 任務(wù)調(diào)度概念17-19
• 2.1.1 任務(wù)調(diào)度的相關(guān)定義17-18
• 2.1.2 任務(wù)調(diào)度機(jī)制18-19
• 2.2 任務(wù)調(diào)度準(zhǔn)則19-20
• 2.2.1 面向用戶的準(zhǔn)則19-20
• 2.2.2 面向系統(tǒng)的準(zhǔn)則20
• 2.3 基本調(diào)度算法20-29
• 2.3.1 先來先服務(wù)調(diào)度算法21
• 2.3.2 短作業(yè)優(yōu)先調(diào)度算法21-24
• 2.3.3 優(yōu)先權(quán)優(yōu)先調(diào)度算法24-25
• 2.3.4 最高響應(yīng)比優(yōu)先調(diào)度算法25
• 2.3.5 輪轉(zhuǎn)調(diào)度算法25-27
• 2.3.6 多級反饋隊列調(diào)度算法27-29
• 2.4 人工神經(jīng)網(wǎng)絡(luò)29-32
• 2.4.1 人工神經(jīng)網(wǎng)絡(luò)概述29-30
• 2.4.2 人工神經(jīng)網(wǎng)絡(luò)工作原理30-31
• 2.4.3 人工神經(jīng)網(wǎng)絡(luò)應(yīng)用于多級反饋隊列算法31-32
• 2.5 小結(jié)32-33
• 第三章 基于多級反饋隊列的任務(wù)調(diào)度算法33-44
• 3.1 時間片相等的多級反饋隊列算法33
• 3.2 時間片增加的多級反饋隊列算法33-34
• 3.3 基于進(jìn)程執(zhí)行時間的多級反饋隊列算法策略設(shè)計34-42
• 3.3.1 動態(tài)時間片34-36
• 3.3.2 算法描述36-38
• 3.3.3 算法分析38-39
• 3.3.4 仿真實驗與結(jié)果分析39-42
• 3.4 小結(jié)42-44
• 第四章 基于BT-MLFQ算法的自適應(yīng)任務(wù)調(diào)度模型44-54
• 4.1 初始隊列個數(shù)的確定44-45
• 4.2 遞歸神經(jīng)網(wǎng)絡(luò)優(yōu)化時間片45-49
• 4.2.1 遞歸神經(jīng)網(wǎng)絡(luò)46
• 4.2.2 學(xué)習(xí)算法46-48
• 4.2.3 算法描述48-49
• 4.3 仿真實驗與結(jié)果分析49-52
• 4.4 小結(jié)52-54
• 第五章 總結(jié)與展望54-56
• 參考文獻(xiàn)56-60
• 致謝60-61
• 在學(xué)期間的研究成果及發(fā)表的學(xué)術(shù)論文61

【相似文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前1條

1 黃斌;多級反饋隊列調(diào)度策略在Linux中的應(yīng)用和實現(xiàn)[J];計算機(jī)工程;2004年20期

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前1條

1 邱相存;基于改進(jìn)的多級反饋隊列算法的任務(wù)調(diào)度研究[D];南京航空航天大學(xué);2015年

，

本文編號：944062