تکنیک ادغام وظایف جهت بهبود زمان بندی با استفاده از الگوریتم ژنتیک
Publish Year: 1389
Type: Conference paper
Language: Persian
View: 1,823
This Paper With 9 Page And PDF Format Ready To Download
- Certificate
- I'm the author of the paper
این Paper در بخشهای موضوعی زیر دسته بندی شده است:
Export:
Document National Code:
NCSCIT01_091
Index date: 8 February 2012
تکنیک ادغام وظایف جهت بهبود زمان بندی با استفاده از الگوریتم ژنتیک abstract
مساله زمانبندی ایستای کارها در سیستم های چند پردازنده ای به دلایل استفاده بهینه از پردازنه ها و همچنین صرف زمان کمتر ، دارای اهمیت ویژه ای است. این مساله از رده مسائل سخت است و به دست آوردن جواب بهینه دارای پیچیدگی زمانی بالیی است ، بنابراین برای حل این مسایل از روش های ابتکاری استفاده می شود.الگوریتم های ژنتیک و اتوماتا ، روش مناسبی جهت زمانبندی در سیستم های چند پردازنده ای است.در این مقاله یک راهکار برای الگوریتم های زمانبندی ، معرفی می گردد.ایده اصلی در طراحی این الگوریتم بدست اوردن کمترین زمان اجرا با بالاترین موازات ممکن در کنار حداقل طول مسیر بحرانی می باشد. با استفاده از این راهکار می توان گراف هایی با تعداد وظابف زیاد را به گراف هایی با تعداد وظایف کم تر تبدیل کرد و ما از ترکیب دو تکنیک ادغام وظایف و زمانبندی با ژنتیک الگوریتم استفاده می کنیم تا بتوانیم طول مسیر بحرانی را کم کنیم. الگوریتم ژنتیک جدیدی برای زمانبندی در سیستم های چند پردازنده ای ارایه می شود که اولویت زمانبندی انجام کارها ، بر اساس تعداد فرزندان و نوادگان است.نتایج شنان می دهد الگوریتم پیشنهادی جدید در زمان قابل قبول جواب بهینه زمانبندی را نسبت به دیگر روش های متداول به دست می آورد.
تکنیک ادغام وظایف جهت بهبود زمان بندی با استفاده از الگوریتم ژنتیک Keywords:
زمانبندی کارها , سیستم های چند پردازنده ای , فرزندان و نوادگان کارها , الگوریتم ادغام وظایف , دانه بندی , الگوریتم ژنتیک
تکنیک ادغام وظایف جهت بهبود زمان بندی با استفاده از الگوریتم ژنتیک authors
مرجان عبدیزدان
دانشجوی دکترای نرم افزار ، گروه کامپیوتر ، دانشگاه علوم و تحقیقات تهر
سعید پارسا
دانشیار ، گروه کامپیوتر ، دانشگاه علم و صنعت ایران
عاطفه پارسا
دانشجوی مهندسی نرم افزار ، گروه کامپیوتر ، دانشگاه آزاد اسلامی واحد ماهشهر
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper 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 Paper لینک شده اند :