簡介：點擊查看更多土木工程畢業(yè)設(shè)計 框架結(jié)構(gòu)辦公樓計算書及建筑結(jié)構(gòu)施工圖及pkpm計算程序8°區(qū)6層_secret精彩內(nèi)容。

簡介：點擊查看更多【cm178】支撐板冷沖壓工藝及級進(jìn)模具設(shè)計【12張cad圖+開題報告+外文翻譯+設(shè)計說明書】【模具專業(yè)畢業(yè)設(shè)計論文】精彩內(nèi)容。

簡介：點擊查看更多【jx659】家用電動護(hù)理床設(shè)計【19張cad圖紙+ug三維圖+外文翻譯+任務(wù)書+論文】【機(jī)械畢業(yè)設(shè)計論文】【通過答辯】精彩內(nèi)容。

簡介：點擊查看更多兩足行走機(jī)器人行走控制部分設(shè)計【帶電路圖+畢業(yè)論文+開題報告+外文翻譯+答辯稿+任務(wù)書】精彩內(nèi)容。

簡介：點擊查看更多[畢業(yè)設(shè)計]框架結(jié)構(gòu)辦公樓施工組織設(shè)計及報價工程量清單（圖）精彩內(nèi)容。

簡介：中文中文59005900字出處出處HUNOLDHUNOLDS,S,LEPPINGLEPPINGJJEVOLUTIONARYEVOLUTIONARYSCHEDULINGSCHEDULINGOFOFPARALLELPARALLELTASKSTASKSGRAPHSGRAPHSONTOONTOHOMOGENEOUSHOMOGENEOUSCLUSTERSJCLUSTERSJ20113443522011344352同類集群上并行任務(wù)圖的進(jìn)化調(diào)度同類集群上并行任務(wù)圖的進(jìn)化調(diào)度SASCHAHUNOLD，JOACHIMLEPPING摘要當(dāng)并行程序組合成較大的應(yīng)用程序時，任務(wù)圖（PTGS）出現(xiàn)，例如，科學(xué)工作流。調(diào)度這些PTGS到集群上是一個具有挑戰(zhàn)性的問題，是由于可塑性任務(wù)產(chǎn)生的并行性的附加開銷。大多數(shù)算法是基于這樣的假設(shè)并行任務(wù)的執(zhí)行時間隨著處理器的數(shù)量增加而增加。但是，這假設(shè)并不完全通用，因為如果處理器的數(shù)目是多的內(nèi)部使用的塊大小，并行程序的性能經(jīng)常表現(xiàn)的更好。在這篇文章中，我們介紹了EMTS算法靜態(tài)調(diào)度PTGS到集群上。我們應(yīng)用一種漸進(jìn)式的方法確定每個任務(wù)分配處理器。進(jìn)化調(diào)度策略保證了EMTS可以用于任何底層模型，用于預(yù)測可塑性任務(wù)的執(zhí)行時間?？梢钥焖僬业浇鉀Q方案的目的，EMTS考慮其它啟發(fā)式結(jié)果（例如，HCPA，MCPA）作為起始解決方案。實驗結(jié)果表明，EMTS顯著減少PTGS的完成時間，相比其它啟發(fā)式兩個非單調(diào)和單調(diào)遞減模式。關(guān)鍵詞任務(wù)調(diào)度；并行任務(wù)；進(jìn)化算法；集群1概述科學(xué)工作流是并行任務(wù)圖的一個重要類型，并在計算網(wǎng)格上處理。許多科學(xué)工作流僅僅包含幾個并行任務(wù)。然而，正如CIRNE等人所說，提交給就是那集群的并行任務(wù)幾乎98是可塑性的。一個可塑性的任務(wù)的處理器的數(shù)量在執(zhí)行之前被確定，并且執(zhí)行期間保持不變。如果這些并行任務(wù)結(jié)合起來，并且任務(wù)圖（PTGS）出現(xiàn)。幾種算法可以表示為PTGS，如STRASSEN的矩陣乘法和快速傅里葉變換（FFT）。一個PTG的節(jié)點表示計算，邊表示數(shù)據(jù)或控制的以來。執(zhí)行PTG導(dǎo)致混合并行時間調(diào)度，因為節(jié)點以一種數(shù)據(jù)并行的方式實現(xiàn)，獨立的任務(wù)可以同時執(zhí)行。讓我們以兩種矩陣的大小考察SCALAPACK并行矩陣乘法例程DGEMM的執(zhí)行時間，我們就可以看到，執(zhí)行時間不單調(diào)遞減，但大多數(shù)的調(diào)度算法假設(shè)單調(diào)遞減的執(zhí)行時間模型。因此，施加一個非單調(diào)遞減模型會導(dǎo)致這些算法低效的執(zhí)行。出于這個原因，我們專注于這個問題的進(jìn)化算法，我們引入算法EMTS，其可以再任意的執(zhí)行時間模型中使用。我們發(fā)現(xiàn)，EMTS相比于其他啟發(fā)式算法，23問題聲明盡我們所知，可塑性的任務(wù)PTGS調(diào)度算法是在假設(shè)一個任務(wù)的執(zhí)行時間隨處理器數(shù)量的增加而增加的基礎(chǔ)上。在這篇文章中，我們解決了如何克服這種限制的問題?？梢约僭O(shè)另一種啟發(fā)式方法，將采取一個事實，即增加一個分配也可以增加執(zhí)行時間。然而，該算法設(shè)計者會找到一個更好的大小分配。由于分配和映射步驟高度依賴于彼此，加上K個處理器，分配可能會降低相應(yīng)的任務(wù)的并行執(zhí)行時間，但是它可能同時增加整體完工時間。因此，我們希望找到一個啟發(fā)式方法，這個調(diào)度問題是獨立用來描述并行任務(wù)的運行時間模型。為此，我們采用進(jìn)化搜索策略，但不能保證這可能克服陷入局部最優(yōu)解的問題。進(jìn)化搜索策略的主要優(yōu)點是（1）他們可以應(yīng)付大問題；（2）他們能夠應(yīng)用于未知搜索空間而無需得知其結(jié)構(gòu)的精確的數(shù)學(xué)模型；（3）他們能夠優(yōu)化在搜索空間開始的任意位置。缺點是，進(jìn)化方法傾向于慢慢收斂到最佳值，以及一個通常為沒有度量如何接近當(dāng)前結(jié)果是最佳的解決方案。雖然意識到這些特性，我們要設(shè)計一個進(jìn)化算法用于此調(diào)度問題，提供了用于計算的解決方案，并由此產(chǎn)生完工時間之間的良好平衡。由于我們通?？梢越灰讜r間的解決方案質(zhì)量，我們專注于一個特定的時間限制。3EMTS算法在本節(jié)中提出的算法是基于應(yīng)用和平臺的模型，這是在第二章提出的，在本文中，一個同構(gòu)的集群包括相同類型的計算節(jié)點，也就是說，相同的處理器和存儲器大小。此外，任務(wù)之間的通信成本沒有考慮。如果通訊或數(shù)據(jù)分布是必要的，他們需要被包含在并行任務(wù)的執(zhí)行時間模型里。31設(shè)計算法進(jìn)化可塑性任務(wù)調(diào)度算法（EMTS）利用兩個步驟解決調(diào)度問題。在第一步驟中，每個任務(wù)的分配被計算出來，而在第二步驟中，分配被映射到系統(tǒng)的處理器上。311映射方法由于并行任務(wù)的執(zhí)行時間模型對映射步驟沒有影響，我們先限定EMTS的映射函數(shù)，由于映射功能也要適應(yīng)計算所有個體，應(yīng)該盡可能地快。

簡介：EVOLUTIONARYSCHEDULINGOFPARALLELTASKSGRAPHSONTOHOMOGENEOUSCLUSTERSSASCHAHUNOLDLIGLABORATORYGRENOBLE,FRANCESASCHAHUNOLDIMAGFRJOACHIMLEPPINGROBOTICSRESEARCHINSTITUTETUDORTMUNDUNIVERSITY,GERMANYJOACHIMLEPPINGUDOEDUABSTRACTPARALLELTASKGRAPHSPTGSARISEWHENPARALLELPROGRAMSARECOMBINEDTOLARGERAPPLICATIONS,EG,SCIENTIFICWORKFLOWSSCHEDULINGTHESEPTGSONTOCLUSTERSISACHALLENGINGPROBLEMDUETOTHEADDITIONALDEGREEOFPARALLELISMSTEMMINGFROMMOLDABLETASKSMOSTALGORITHMSAREBASEDONTHEASSUMPTIONTHATTHEEXECUTIONTIMEOFAPARALLELTASKISMONOTONICALLYDECREASINGASTHENUMBEROFPROCESSORSINCREASESBUTTHISASSUMPTIONDOESNOTHOLDINPRACTICESINCEPARALLELPROGRAMSOFTENPERFORMBETTERIFTHENUMBEROFPROCESSORSISAMULTIPLEOFINTERNALLYUSEDBLOCKSIZESINTHISARTICLE,WEINTRODUCETHEEVOLUTIONARYMOLDABLETASKSCHEDULINGEMTSALGORITHMFORSCHEDULINGSTATICPTGSONTOHOMOGENEOUSCLUSTERSWEAPPLYANEVOLUTIONARYAPPROACHTODETERMINETHEPROCESSORALLOCATIONOFEACHTASKTHEEVOLUTIONARYSTRATEGYENSURESTHATEMTSCANBEUSEDWITHANYUNDERLYINGMODELFORPREDICTINGTHEEXECUTIONTIMEOFMOLDABLETASKSWITHTHEPURPOSEOFFINDINGSOLUTIONSQUICKLY,EMTSCONSIDERSRESULTSOFOTHERHEURISTICSEG,HCPA,MCPAASSTARTINGSOLUTIONSTHEEXPERIMENTALRESULTSSHOWTHATEMTSSIGNIFICANTLYREDUCESTHEMAKESPANOFPTGSCOMPAREDTOOTHERHEURISTICSFORBOTHNONMONOTONICALLYANDMONOTONICALLYDECREASINGMODELSKEYWORDSTASKSCHEDULINGPARALLELTASKSTASKGRAPHSEVOLUTIONARYALGORITHMCLUSTERIINTRODUCTIONSCIENTIFICWORKFLOWSAREANIMPORTANTTYPEOFPARALLELTASKGRAPHSANDAREOFTENPROCESSEDONCOMPUTATIONALGRIDSMANYSCIENTIFICWORKFLOWSCONTAINONLYAFEWPARALLELTASKSYET,ASCIRNEETALSTATED,ALMOST98OFPARALLELJOBSSUBMITTEDTOCOMPUTATIONALCLUSTERSAREMOLDABLE1THENUMBEROFPROCESSORSOFAMOLDABLETASKISDETERMINEDBEFOREITSEXECUTIONANDSTAYSUNCHANGEDDURINGEXECUTION2IFTHESEPARALLELTASKSARECOMBINED,APARALLELTASKGRAPHPTGARISESSEVERALALGORITHMSCANBEEXPRESSEDASPTGSSUCHASSTRASSEN’SMATRIXMULTIPLICATIONORTHEFASTFOURIERTRANSFORMATIONFFT3THENODESOFAPTGDENOTETHECOMPUTATIONSANDTHEEDGESDENOTEDATAORCONTROLDEPENDENCIESEXECUTINGAPTGLEADSTOAMIXEDPARALLELSCHEDULEASNODESAREIMPLEMENTEDINADATAPARALLELWAYANDINDEPENDENTTASKSCANBEEXECUTEDCONCURRENTLYLETUSEXAMINETHEEXECUTIONTIMEOFTHEPARALLELMATRIXMULTIPLICATIONROUTINEPDGEMMFROMSCALAPACK4FORTWOMATRIXSIZES,WHICHISSHOWNINFIGURE1ASWECANSEE,THEEXECUTIONTIMEISNOTMONOTONICALLYDECREASING,BUTMOSTSCHEDULINGALGORITHMSASSUMEAMONOTONICALLYDECREASINGMODELOFTHEEXECUTIONTIMEFORCOMPUTINGTHESCHEDULEHENCE,APPLYINGANONMONOTONICALLYDECREASINGMODELCANLEADTOINEFFICIENTDECISIONSOFTHESEALGORITHMSFORTHATREASON,WEFOCUSONTHEQUESTIONWHETHERANEVOLUTIONARYALGORITHMEAFORSCHEDULINGPTGSCANCOPEWITHIRREGULARITIESINTHEEXECUTIONTIMEMODELFORPARALLELTASKSWEINTRODUCETHEALGORITHMEMTS,WHICHCANBEUSEDWITHANARBITRARYEXECUTIONTIMEMODELWESHOWTHATEMTS,WHENCOMPAREDTOOTHERHEURISTICS,PRODUCESBETTERSCHEDULESWITHRESPECTTOTHEMAKESPANOBJECTIVETHISHOLDSFORNONMONOTONICALLYANDMONOTONICALLYDECREASINGEXECUTIONTIMEMODELSTHEPAPERISORGANIZEDASFOLLOWSSECTIONIIDETAILSTHEPROBLEMANDDISCUSSESRELATEDAPPROACHESINSECTIONIIITHEEVOLUTIONARYMETHODEMTSISPRESENTEDTHEMETHODOLOGYANDTHESETUPOFTHEEXPERIMENTSISDESCRIBEDINSECTIONIVTHEEXPERIMENTALRESULTSAREDISCUSSEDINSECTIONVANDSECTIONVIDRAWSCONCLUSIONSIIPROBLEMDESCRIPTIONANDRELATEDWORKAAPPLICATIONANDPLATFORMMODELAPTGMIXEDPARALLELAPPLICATIONCANBEREPRESENTEDBYADIRECTEDACYCLICGRAPHDAGGV,E,WHEREV{VI|I1,,V}ISASETOFNODESTHATREPRESENTTHETASKSANDE{EI,J|I,J∈{1,,V}{1,,V}}ISASETOFEDGESREPRESENTINGTASKINTERDEPENDENCIESAPTGCANBEEXECUTEDONPIDENTICALPROCESSORSINTERCONNECTEDBYANETWORK,SOTHATEACHPAIROFPROCESSORSCANCOMMUNICATEITISASSUMEDTHATTHEPARALLELTASKSAREMOLDABLE,IE,EXECUTABLEBYANARBITRARYNUMBEROFPROCESSORS1≤P≤P002005010020NUMBEROFPROCESSORSTIMES1024281632015020025NUMBEROFPROCESSORS2048162432FIGURE1PDGEMMTIMINGSONTHECRAYXT4OFLBNL2011IEEEINTERNATIONALCONFERENCEONCLUSTERCOMPUTING9780769545165/112600?2011IEEEDOI101109/CLUSTER201145344PROBLEMOFBEINGTRAPPEDINLOCALOPTIMA,BUTWHICHCANNOTBEGUARANTEEDTHEMAINADVANTAGESOFEVOLUTIONARYSEARCHSTRATEGIESARE1THEYCANCOPEWITHLARGEPROBLEMINSTANCES2THEYCANBEAPPLIEDTOANUNKNOWNSEARCHSPACEWITHOUTHAVINGAPRECISEMATHEMATICALMODELOFITSSTRUCTURE3THEYARECAPABLEOFOPTIMIZINGASOLUTIONSTARTINGANYWHEREINSEARCHSPACETHEDOWNSIDEISTHATEVOLUTIONARYAPPROACHESTENDTOCONVERGESLOWLYTOTHEOPTIMUM,ANDONEHASUSUALLYNOMEASUREOFHOWCLOSETHECURRENTRESULTISTOTHEOPTIMALSOLUTIONWHILEBEINGAWAREOFTHESEPROPERTIES,WEWANTTODESIGNANEVOLUTIONARYALGORITHMFORTHISSCHEDULINGPROBLEMTHATPROVIDESAGOODTRADEOFFBETWEENTHETIMEUSEDTOCOMPUTETHESOLUTIONANDTHERESULTINGMAKESPANSINCEWECANUSUALLYTRADETIMEFORSOLUTIONQUALITY,WEFOCUSONAGIVENTIMECONSTRAINTIIIALGORITHMEMTSTHEALGORITHMPRESENTEDINTHISSECTIONISBASEDONTHEAPPLICATIONANDPLATFORMMODELSPTG,WHICHWEREINTRODUCEDINSECTIONIIAINTHECONTEXTOFTHISARTICLE,AHOMOGENEOUSCLUSTERCOMPRISESTHESAMETYPEOFCOMPUTATIONALNODES,IE,THESAMEPROCESSORANDTHESAMEAMOUNTOFMEMORYINADDITION,COMMUNICATIONCOSTSBETWEENTASKSARENOTCONSIDEREDIFCOMMUNICATIONORDATAREDISTRIBUTIONSARENECESSARY,THEYNEEDTOBEINCLUDEDINTHEEXECUTIONTIMEMODELOFTHEPARALLELTASKSADESIGNINGTHEALGORITHMTHEEVOLUTIONARYMOLDABLETASKSCHEDULINGEMTSUTILIZESATWOSTEPAPPROACHFORSOLVINGTHESCHEDULINGPROBLEMINTHEFIRSTSTEP,THEALLOCATIONSOFEACHTASKARECOMPUTEDWHILEINTHESECONDSTEP,THEALLOCATIONSAREMAPPEDONTOTHEPROCESSORSOFTHESYSTEMMAPPINGFUNCTIONASTHEEXECUTIONTIMEMODELOFPARALLELTASKSHASNOINFLUENCEONTHEMAPPINGSTEP,WESTARTWITHDEFININGTHEMAPPINGFUNCTIONOFEMTSSINCETHEMAPPINGFUNCTIONALSOEVALUATESTHEFITNESSOFALLINDIVIDUALS,ITSHOULDBEASFASTASPOSSIBLEANDPRODUCESHORTSCHEDULESPREVIOUSWORKSHOWEDTHATALISTSCHEDULINGAPPROACHLEADSTOEFFICIENTSCHEDULES9INTHELISTSCHEDULINGALGORITHMUSEDBYEMTS,THEREADYNODESARESORTEDBYDECREASINGBOTTOMLEVELANDEACHREADYNODEVISMAPPEDTOTHEFIRSTPROCESSORSETTHATCONTAINSSVAVAILABLEPROCESSORS1THEFITNESSLEVELOFASETOFALLOCATIONSISDEFINEDASTHERESULTINGMAKESPANOFTHEPTGASMALLERMAKESPANCORRESPONDSTOABETTERFITNESSOFANEA’SINDIVIDUALALLOCATIONFUNCTIONTHEEAMODIFIESTHEPROCESSORALLOCATIONSOFTASKSANDITSGOALISTOFINDTHERIGHTALLOCATIONFOREACHTASKSOTHATTHERESULTINGFITNESSISOPTIMIZEDTHESETOFALLOCATIONSISENCODEDASINDIVIDUALIFORATASK1SVISTHEALLOCATIONSIZEOFNODEV,ANDTHEBOTTOMLEVELBLVISTHELENGTHOFTHELONGESTPATHFROMANODEVTOTHESINKOFTHEPTGINCLUDINGITSOWNEXECUTIONTIMEFIGURE2ENCODINGOFINDIVIDUALSTHEALLOCATIONSVIOFNODEVIISSTOREDATPOSITIONIVIOFPTGGJTHEINDIVIDUALIJIHOLDSTHENUMBEROFPROCESSORSALLOCATEDTOVIATPOSITIONITHUS,IJISVIFOR1≤I≤V,WHERESVIDENOTESTHECURRENTALLOCATIONOFTASKVIFIGURE2ILLUSTRATESTHISENCODINGOFTHEALLOCATIONSOFAPTGTHEDEPICTEDPTGCONTAINSFIVENODESANDEACHNODEPOSSESSESAPROCESSORALLOCATION,EG,THREEPROCESSORSAREALLOCATEDTONODE1ANINDIVIDUALISTHECOLLECTIONOFALLALLOCATIONSOFAPTGSO,THENUMBEROFPROCESSORSOFNODE1ISSTOREDATTHEFIRSTPOSITIONOFTHEINDIVIDUALTHEEAMODIFIESTHEINDIVIDUALSRANDOMLYTOOPTIMIZETHESCHEDULETHUS,THEOBJECTIVEFUNCTIONCANBEDEFINEDASFOLLOWSFORAGIVENPTGGANDFITNESSFUNCTIONFS→R,THEEATRIESTOFINDASETOFALLOCATIONSS{SV0,,SVV}THATMINIMIZESFIFWECONSIDERPTGSOFABOUT100TASKSANDAPLATFORMWITHHUNDREDSOFPROCESSORS,THESEARCHSPACETOFINDTHEBESTSOLUTIONS?ISENORMOUSNONETHELESS,EMTSMAYFINDANSWHICHISCLOSERTOS?THANTHESOLUTIONSPRODUCEDBYOTHERHEURISTICSTHISLEADSTOTWOMAINQUESTIONS1WHERESHOULDTHEEASTARTSEARCHINGORTOPUTITINANOTHERWAY,HOWSHOULDTHEORIGINALINDIVIDUALSBEINITIALIZED2HOWTOPRODUCENEWINDIVIDUALSFROMEXISTINGONESBRETRIEVINGSTARTINGSOLUTIONSTOOBTAINSTARTINGSOLUTIONS,EMTSMAKESUSEOFRESULTSPRODUCEDBYOTHERHEURISTICSINTHEPRESENTWORK,WEEXECUTETHEALLOCATIONFUNCTIONSOFMCPA11ANDHCPA10ANDENCODETHEIRRESULTSASINDIVIDUALSINTHEINITIALPOPULATIONTHESEALLOCATIONFUNCTIONSWERECHOSENBECAUSETHEYPRODUCESUFFICIENTLYGOODSOLUTIONSINASHORTAMOUNTOFTIMEADDITIONALLY,WEDESIGNEDANOTHERHEURISTICTOCREATEASTARTINGINDIVIDUALFIRST,THEBOTTOMLEVELOFEACHTASKISCOMPUTEDASSUMINGTHATEACHTASKISALLOCATEDTOONEPROCESSORHAVINGTHEBOTTOMLEVEL,EMTSDETERMINESTHECRITICALPATHOFTHEPTGTHEIDEAISTOASSIGNALLPROCESSORSOFTHESYSTEMTONODESONTHECRITICALPATHSINCESEVERALNODESONAPRECEDENCELEVELHAVESIMILAROREQUALCRITICALITYBOTTOMLEVEL,WECONSIDERSEVERALALMOSTCRITICALPATHSTOMAKETHISHEURISTICEFFECTIVEHENCE,WESEPARATETHENODESBYPRECEDENCELEVELDEPTHOFTHENODESFROMTHE346

簡介：點擊查看更多[雙語翻譯]---外文翻譯---同類集群上并行任務(wù)圖的進(jìn)化調(diào)度（節(jié)選）精彩內(nèi)容。

簡介：點擊查看更多757 厚板料沖小孔模具設(shè)計及有限元模擬（有cad圖+三維圖+文獻(xiàn)翻譯）精彩內(nèi)容。

簡介：點擊查看更多552 kd1110型載貨汽車變速器設(shè)計（全套cad圖+說明書+翻譯）精彩內(nèi)容。

簡介：點擊查看更多719 電動車遮雨外殼沖壓模設(shè)計【cad圖+開題報告+文獻(xiàn)翻譯+說明書】精彩內(nèi)容。

簡介：點擊查看更多565 大學(xué)生方程式賽車設(shè)計（制動與行走系統(tǒng)設(shè)計）（全套cad圖+說明書+翻譯）精彩內(nèi)容。

簡介：點擊查看更多728 磨床尾座體加工工藝及夾具設(shè)計（有cad圖+文獻(xiàn)翻譯）精彩內(nèi)容。

簡介：點擊查看更多507 25馬力拖拉機(jī)最終傳動及驅(qū)動軸設(shè)計（全套cad圖+說明書+翻譯）精彩內(nèi)容。

簡介：點擊查看更多597 hkd640微型客車設(shè)計（后驅(qū)動橋與后懸設(shè)計）（全套cad圖+說明書+翻譯）精彩內(nèi)容。