ترکیب آتاماتای مهاجرت اشیا و الگوریتم ژنتیک برای زمانبندی گراف وظایف در معماری چند پردازنده ای
محل انتشار: سومین کنفرانس بین المللی فناوری اطلاعات و دانش
سال انتشار: 1386
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 2,498
فایل این مقاله در 8 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
این مقاله در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
ICIKT03_080
تاریخ نمایه سازی: 22 فروردین 1387
چکیده مقاله:
امروزه سیستمهای چندپردازنده ای کاربرد وسیعی در محاسبات موازی دارند . در این سیستمها زمانبندی مؤثر برای اجرای یک برنامه موازی جهت نائل شدن به کارآیی بالا امری حیاتی است . این زمانبندی باید به گونه ای انجام گیرد که بتواند زمان اجرای کل برنامه را ب ا توجه به زمان وظایف و ارتباط بین پردازنده ها، کمینه نماید . با توجه به NP-Hard بودن مسئله زمانبندی گراف وظایف، رویکرد های مبتنی بر روشهای قطعی در این زمینه کارا نخواهند بود؛ بنابر این استفاده از پردازش تکاملی و به طور عمده الگوریتمهای ژنتیک و الگوریتم های ترکیبی برای حل این مسئله موثر می باشد . با ترکیب الگوریتم ژنتیکی و آتاماتای یادگیر و تلفیق مفاهیم ژن، کروموزوم، اقدام و عمق، می توان به یک روش جستجوی کارا برای حل مسالهگراف وظایف دست یافت، بطوریکه با استفاده هم زمان از آتاماتای یادگیر و الگوریتم ژنتیک در فرآیند جستجو، سرعت رسیدن به جواب، افزایش چشم گیری پیدا می کند و از بدام افتادن الگوریتم در حداقل های محلی جلوگیری می شود . الگوریتم پیشنهادی در این مقاله کوششی است در جهت خودترمیمی، تولید مثل، جریمه و پاداش ( هدایت ) که از ویژگی های مهم الگوریتم ترکیبی است .
رویکرد جدید در این الگوریتم علاوه بر ترکیبی بودن الگوریتم، بر پایه کوتاهتر کردن طول مسیر بحرانی و کاهش هزینه ارتباطات بین پردازنده ای است . در نهایت نتایج عملی حاصل از پیاده سازی روش ارایه شده نشان می دهد که می توان یک زمانبندی مناسب در زمان بسیار کمتری نسبت به الگوریتمهای مشابه پیدا کرد .
کلیدواژه ها:
زمانبندی چند پردازنده ای ، گراف وظایف و الگوریتمهای
نویسندگان
سعید پارسا
دانشگاه علم و صنعت ایران
حبیب ایزدخواه
دانشگاه علم و صنعت ایران
امیر حسین زاده
دانشگاه علم و صنعت ایران
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :