基于改進的多級反饋隊列算法的任務(wù)調(diào)度研究.pdf

1、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程的執(zhí)行時間，而且還可以滿足各種類型進程的需要。尤其是在解決海

2、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)度方法進行了研究。通過對多級反饋隊列任務(wù)調(diào)度算法的改進，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)

3、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。
　?。?）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程作業(yè)用戶和過短的時間片大小不利于長進程作業(yè)用戶，針對該問題提出一種改進的MLFQ算法(Multi-Layer Feedback Queue based on Burst Time of

4、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)行初次進入系統(tǒng)的進程，利用計時器預(yù)估該進程的執(zhí)行時間；其次，根據(jù)隊列中進程的執(zhí)行情況，依次創(chuàng)建隊列，直到所有進程都執(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。
　?。?）考慮用戶任務(wù)進程的相