论文部分内容阅读
分布式系统作为计算机领域的研究热点之一,近年来受到了广泛的关注。其中的任务调度问题,对发挥系统的并行性能和保持负载平衡具有非常重要的意义。该问题已被证明是一个NPC问题,无法在多项式时间内找到最优解,所以促使人们不懈地研究如何设计调度算法,用有限的代价获得更好的解。现有的启发式算法虽然能够得到满意解,但是计算的时间复杂度较高,当问题规模很大时,求解效率不高。 遗传算法是近年兴起的一种用于解决优化问题的并行寻优算法,已被广泛用于解决各类NP问题。目前已有学者将遗传算法用于调度算法的研究,并用仿真实验说明,在处理调度问题时,遗传算法与启发式算法相比具有较大的优越性。 但这些算法仍然存在一些缺陷。为了克服这些缺陷,针对任务调度问题的特性,本文设计了一个全新的遗传算法。这一算法在编码、选择、杂交、变异方法上都与传统遗传算法明显不同。在编码方法上,设计了十进制分离编码方式,从而杂交和变异也分离同时进行。在选择方法上,采用了广义遗传算法四分之二择优选择的方式。 在本文中,首先用马尔可夫链的有关知识对我们采用的算法进行了数学分析,然后将这一算法应用到任务调度问题上。仿真结果表明,与在这一问题上常采用的二维编码的遗传算法相比,本算法能得到更好的解;与不采用广义遗传算法而代之以精英策略的遗传算法相比,本算法具有更快的收敛速度。所以本算法具有较大的优越性,适合处理大规模的调度问题。