基于局部搜索策略的多目标多处理器芯片调度问题研究Study on Local Search-based Multi-objective

Algorithm for MPSoC Scheduling Problem

报告人：严一格

目 录 研究的问题和意义 国内外研究现状 研究内容 研究重点与难点 研究方法 实施步骤

2

研究的问题和意义 多目标多处理器映射问题：

给定 n 个任务和一个任务平台，任务平台上有 m 个处理器。每个处理器在同一时间只能处理一个任务，任务在各个处理器上的执行时间相同，不同的任务执行时间不同，任务之间有通信花费。目标分别是最大完成时间（makespan ），即从第一个任务开始到最后一个任务结束所消耗的时间，和最小通信花费（ communication cost ），即有通信花费的任务在不同的机器上执行会产生通信花费。求一组任务映射，同时优化两个目标。

3

研究的问题和意义 多目标多处理器调度问题：

在之前问题的基础上，每个任务之间可能存在依赖关系。任务之间有依赖关系，每个任务需等待其所依赖的任务全部完成才能分配给某个处理器进行执行。目标分别是最大完成时间（makespan ）和负载均衡（ workl-oad balance ），负载均衡指的是在一组任务分配下，每个处理器分配的任务执行时间尽可能相同。避免将所有的任务分配到一台机器上导致资源浪费。

4

研究的问题和意义 多目标多处理器映射问题：

5

研究的问题和意义 理论价值： 该问题属于 NP-Hard 问题，在实际问题中，研究者通常使用线性规划求解，但是在大数据量的情况下时间代价无法忍受，甚至可能无法求解。因此提出一种新的启发式算法可以更快地求解相关问题。

将局部搜索算法应用到进化算法中求解调度问题，为其他群智能方法提供

了新的思路和参考。

近几年来， MPSoC 逐渐成为嵌入式系统的实现标准。提出一种基于MPSoC 的任务调度算法可以大大提高 MPSoC 的性能。

6

研究的问题和意义 现实意义： 针对多目标多处理器芯片调度问题的求解，可以提高系统性能、降低系统

能耗，同时为企业或者研究机构提供多样化的解决方案，提高生产效率、缩短开发周期、节约开发成本，增强企业竞争力。

7

国内外研究现状 2001 年， K. Deb 等 [3] 首次提出用遗传算法求解多目标优化问题，随后于

2002 年又提出了一种优秀快速的多目标遗传算法 [4] （ NSGA-Ⅱ ）。 2004 年， Wayne Wolf [1]对MPSoC 系统设计的未来发展进行了阐述。 2007 年， Qingfu Zhang等 [5]提出了基于分解的多目标进化算法（ MOEA/D

）。 2011 年， B Tafesse等 [6] 提出基于 MPSoC 的调度算法（ PDS Algorithm ） 2015 年， Bili Chen等 [7] 提出了基于局部搜索的多目标优化算法。 2015 年， Xiangtao Li和 Mingjie Li[8] 提出了基于分解的多目标局部搜索算法

求解置换流水线车间调度问题。

8

9

参考文献[1] W. Wolf, “The future of multiprocessor systems-on-chips,” in Proc. 41stAnnu. Des. Autom. Conf., 2004, pp. 681–685.[2] Wolf W, Jerraya A A, Martin G. Multiprocessor System-on-Chip (MPSoC) Technology[J]. IEEE Transactions on Computer-Aided Design of Integrated Circuits and Systems, 2008, 27(10):1701-1713.[3] Deb K, Kalyanmoy D. Multiobjective optimization using evolutionary algorithms[M]. John Wiley & Sons, Inc, 2001.[4] Deb K, Pratap A, Agarwal S, et al. A fast and elitist multiobjective genetic algorithm: NSGA-II[J]. IEEE Transactions on Evolutionary Computation, 2002, 6(2):182-197.[5] Zhang Q, Li H. MOEA/D: A Multiobjective Evolutionary Algorithm Based on Decomposition[J]. IEEE Transactions on Evolutionary Computation, 2007, 11(6):712-731.[6] Tafesse B, Raina A, Suseela J, et al. Efficient Scheduling Algorithms for MpSoC Systems[C]// 2013 10th International Conference on Information Technology: New Generations. IEEE, 2011:683-688.[7] Chen B, Zeng W, Lin Y, et al. A New Local Search-Based Multiobjective Optimization Algorithm[J]. IEEE Transactions on Evolutionary Computation, 2014, 19(1):1-1.[8] Li X, Li M. Multiobjective Local Search Algorithm-Based Decomposition for Multiobjective Permutation Flow Shop Scheduling Problem[J]. IEEE Transactions on Engineering Management, 2015, 62(4):1-14.

研究目标与内容 研究目标：

针对负载均衡和最大完成时间两个目标，提出一种基于局部搜索的多目标进化算法，加入非支配排序、精英解集、扰动等策略针对以上两个问题进行求解，并通过实验验证其有效性。

10

研究目标与内容 研究内容： 研究局部搜索算法、 NSGA-Ⅱ和MOEA/D 算法，总结其优缺点。 研究目标函数的设定。 研究非支配排序、精英策略、扰动策略在局部搜索算法当中的应用。 针对种群初始化、参数选择、迭代过程三部分提出基于局部搜索的优化算

法并进行实验验证。

11

研究重点与难点 重点与难点： 如何初始化种群以加快算法收敛； 如何得到可行解； 如何增加解的多样性； 如何设计实验使其更具说服性；

12

研究方法 研究方法： 在初始化过程中尽可能的平均各个处理器中的任务数，同时利用拓扑排序保证处理器中任务的依赖关系，得到贪心解。

添加修复函数，该函数在每次生成一个新解时检测解的可行性，针对非可行解进行修复。

采用两种扰动方法，轻扰动和重扰动。两种扰动都以一定的概率发生，可以避免函数进入局部最优，并且可以保证种群的多样性。

分别与 NSGA-Ⅱ和 MOEA/D 算法进行比较，数据集使用 H264、 MP3-

decoder、MWD 等等。13

实施步骤 2016 年 8 月 -2016 年 10 月，阅读文献。 2016 年 11 月 -2017 年 1 月，总结现有算法特点，优缺点。 2017 年 2 月 -2017 年 4 月，根据现有算法的优缺点，设计出合理的算法

。 2017 年 5 月 -2017 年 7月，实现算法。 2017 年 8月 -2017 年 10月，不断修改算法，反复实验，验证改进策略

的有效性。 2017 年 11月 -2018 年 3月，完成该方法与其他算法的性能对比，形成

相应的表格，图片等，统计实验结果，撰写论文。14

谢谢 !15