CN110221907B - 一种基于edf算法和模糊集的实时任务调度方法 - Google Patents
一种基于edf算法和模糊集的实时任务调度方法 Download PDFInfo
- Publication number
- CN110221907B CN110221907B CN201910438335.4A CN201910438335A CN110221907B CN 110221907 B CN110221907 B CN 110221907B CN 201910438335 A CN201910438335 A CN 201910438335A CN 110221907 B CN110221907 B CN 110221907B
- Authority
- CN
- China
- Prior art keywords
- task
- time
- random
- execution
- periodic
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 82
- 230000000737 periodic effect Effects 0.000 claims abstract description 105
- 230000006870 function Effects 0.000 claims description 21
- 230000015572 biosynthetic process Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000003786 synthesis reaction Methods 0.000 claims description 3
- 230000002194 synthesizing effect Effects 0.000 claims description 3
- 241000287196 Asthenes Species 0.000 description 2
- 241000135164 Timea Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/48—Program initiating; Program switching, e.g. by interrupt
- G06F9/4806—Task transfer initiation or dispatching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/48—Program initiating; Program switching, e.g. by interrupt
- G06F9/4806—Task transfer initiation or dispatching
- G06F9/4843—Task transfer initiation or dispatching by program, e.g. task dispatcher, supervisor, operating system
- G06F9/4881—Scheduling strategies for dispatcher, e.g. round robin, multi-level priority queues
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于EDF算法和模糊集的实时任务调度方法,属于***任务调度领域。本发明对随机任务构建优先级队列,可以保证优先级队列中处于队首的重要性最高的随机任务与周期任务一起共同参与调度过程,该方法考虑了随机任务之间的重要性差别,可以有效地确保重要随机任务的提交率,使优先级高的随机任务优先执行,减小了因重要随机任务错过截止期而造成***发生重大错误的几率。
Description
技术领域
本发明涉及一种基于EDF算法和模糊集的实时任务调度方法,属于***任务调度领域。
背景技术
***中存在实时的周期任务和随机任务,随机任务到达时间不可预知,且执行时间和截止时间都是未知的。而周期任务的到达时间、执行时间和截止时间可通过其周期性确定。因此周期任务和随机任务的混合调度一直都有大量学者研究。但都未考虑随机任务之间的重要性差别,有可能导致了重要任务得不到优先调度。而重要的随机任务错过截止期可能造成***发生重大问题。
发明内容
本发明提供了一种基于EDF算法和模糊集的实时任务调度方法,以用于将随机任务加入优先级队列与周期任务共同参与任务调度。
本发明的技术方案是:一种基于EDF算法和模糊集的实时任务调度方法,所述方法步骤如下:
Step1、记周期任务集为Π={T1,T2,...,Ti,...},记随机任务集为Γ={A1,A2,...,Aa,...},构建优先级队列;其中Ti表示第i个周期任务,第i个周期任务的第j次调度记为Tij,Aa表示第a个随机任务,对随机任务集中任务Aa设定到达时间为Ga;
Step2、根据EDF算法得到周期任务的调度过程,根据调度过程和超周期得到逆调度过程,根据调度过程和逆调度过程得到周期任务的最迟执行时刻集、预计结束时刻集、最大可挪用时间集;
根据EDF算法得出周期任务集的正向执行过程记为调度过程ξ,将周期任务集的调度过程ξ中每个任务的每个周期的每次调度记为ξij=(pij,qij);其中ξij表示正向执行时周期任务Ti的第j次调度,pij表示ξij的开始执行时间,qij表示ξij的结束时间;
周期任务集的逆向执行过程记为逆调度过程ξ-1,周期任务集的逆调度过程ξ-1中每个任务的每个周期的每次执行记为其中/>表示逆向执行时周期任务Ti的第j次调度,/>表示/>的最迟执行时刻,/>表示/>的预计结束时刻;j与k-1的和为周期任务Ti在一个超周期H内共调度的次数,H为超周期,即周期任务集中所有周期任务的最小公倍数;
Step3、当前有任务到达时,判断当前到达的任务类型:若同时到达的多个任务中既包含周期任务又包含随机任务,则对所有的周期任务执行步骤Step4,所有的随机任务等待;若只存在随机任务则执行Step7;
步骤Step4执行过程中,如果当前时刻及当前时刻之前,存在任务到达,则需要同步执行步骤Step3;
Step5、若存在一个周期任务的某次调度的到达时刻等于其最迟执行时刻,则执行该调度Tij,并转至Step6;
若存在多个周期任务的某次调度的到达时刻等于其对应的最迟执行时刻则随机选一个调度Tij执行,终止其它的周期任务调度,并转至Step6;
其中,将步骤Step5执行的第i个周期任务的第j次调度Tij实际结束时刻记为rij、第i个周期任务的第j次调度Tij的预计结束时刻与实际结束时刻rij之间的时间记为相差时间/>最大可挪用时间和相差时间的和记为空闲时间,即F=f′+f″;
Step7、如果随机任务为一个,且当前优先级队列中无任务,直接将该随机任务排入优先级队列的队首;否则,根据随机任务的可利用时间的模糊集、关键度的模糊集、执行时间的模糊集计算所有随机任务的优先级,并按优先级高低***优先级队列;转至Step8;
Step8、若当前时刻有任务正在执行,则等待;
若当前时刻无任务正在执行且优先级队列中有随机任务,则选择队列中队首的随机任务执行,并转至Step9;
若当前时刻无任务正在执行且优先级队列中无随机任务,则转至Step3;
步骤Step9执行过程中,如果执行结束时刻及执行结束时刻之前,存在任务到达,则需要同步执行步骤Step3。
所述的Step7,具体为:
Step7.1:计算随机任务的可利用时间的模糊集
将随机任务Aa的到达时间为Ga到最近的一个周期任务调度Tij的最迟执行时刻的时间记为随机任务Aa的可利用时间Sa,即/>将可利用时间用模糊语言进行定义记为/>其中1≤v≤m,论域记为则可利用时间Sa的模糊集为式(1):
可利用时间Sa符合正态分布,因此隶属度函数表示为式(2):
Step7.2:计算随机任务的关键度的模糊集
关键度Ca的隶属度函数表示为式(4):
Step7.3:计算随机任务的执行时间的模糊集
记执行时间Ea的概率为P(Ea),则随机任务Aa的执行时间的Ea的隶属度为:
Step7.4:计算随机任务的优先级
随机任务Aa的重要性由优先级Pa决定,优先级Pa的评语集用m个模糊语言进行定义记为其中/>而优先级Pa由随机任务Aa的可利用时间的模糊集、关键度的模糊集和执行时间的模糊集共同确定;因此随机任务Aa的优先级因素集为X={“可利用时间”,“关键度”,“执行时间”},其模糊关系矩阵表示为式(7):
由于可利用时间的模糊集、关键度的模糊集和执行时间的模糊集对优先级的影响度不同,赋予它们不同的权重,记为加权模糊集R=(R1,R2,R3),其中R1+R2+R3=1;
通过A和R合成决策集,决策集表示为式(8):
决策集B中与优先级Pa的评语集是一一对应关系,则决策集B中的最大值对应评语集的子集为随机任务的优先级。
本发明的有益效果是:本发明对随机任务构建优先级队列,可以保证优先级队列中处于队首的重要性最高的随机任务与周期任务一起共同参与调度过程,该方法考虑了随机任务之间的重要性差别,可以有效地确保重要随机任务的提交率,使优先级高的随机任务优先执行,减小了因重要随机任务错过截止期而造成***发生重大错误的几率。
附图说明
图1为本发明的流程图。
具体实施方式
实施例1:如图1所示,一种基于EDF算法和模糊集的实时任务调度方法,所述方法步骤如下:
Step1、记周期任务集为Π={T1,T2,...,Ti,...},记随机任务集为Γ={A1,A2,...,Aa,...},构建优先级队列;其中Ti表示第i个周期任务,第i个周期任务的第j次调度记为Tij,Aa表示第a个随机任务,对随机任务集中任务Aa设定到达时间为Ga;
Step2、根据EDF算法得到周期任务的调度过程,根据调度过程和超周期得到逆调度过程,根据调度过程和逆调度过程得到周期任务的最迟执行时刻集、预计结束时刻集、最大可挪用时间集;
根据EDF算法得出周期任务集的正向执行过程记为调度过程ξ,将周期任务集的调度过程ξ中每个任务的每个周期的每次调度记为ξij=(pij,qij);其中ξij表示正向执行时周期任务Ti的第j次调度,pij表示ξij的开始执行时间,qij表示ξij的结束时间;
周期任务集的逆向执行过程记为逆调度过程ξ-1,周期任务集的逆调度过程ξ-1中每个任务的每个周期的每次执行记为其中/>表示逆向执行时周期任务Ti的第j次调度,/>表示/>的最迟执行时刻,/>表示/>的预计结束时刻;/>j与k-1的和为周期任务Ti在一个超周期H内共调度的次数,H为超周期,即周期任务集中所有周期任务的最小公倍数;
Step3、当前有任务到达时,判断当前到达的任务类型:若同时到达的多个任务中既包含周期任务又包含随机任务,则对所有的周期任务执行步骤Step4,所有的随机任务等待;若只存在随机任务则执行Step7;
步骤Step4执行过程中,如果当前时刻及当前时刻之前,存在任务到达,则需要同步执行步骤Step3;
Step5、若存在一个周期任务的某次调度的到达时刻等于其最迟执行时刻,则执行该调度Tij,并转至Step6;
若存在多个周期任务的某次调度的到达时刻等于其对应的最迟执行时刻则随机选一个调度Tij执行,终止其它的周期任务调度,并转至Step6;
其中,将步骤Step5执行的第i个周期任务的第j次调度Tij实际结束时刻记为rij、第i个周期任务的第j次调度Tij的预计结束时刻与实际结束时刻rij之间的时间记为相差时间/>最大可挪用时间和相差时间的和记为空闲时间,即F=f′+f″;
Step7、如果随机任务为一个,且当前优先级队列中无任务,直接将该随机任务排入优先级队列的队首;否则,根据随机任务的可利用时间的模糊集、关键度的模糊集、执行时间的模糊集计算所有随机任务的优先级,并按优先级高低***优先级队列;转至Step8;
Step8、若当前时刻有任务正在执行,则等待;
若当前时刻无任务正在执行且优先级队列中有随机任务,则选择队列中队首的随机任务执行,并转至Step9;
若当前时刻无任务正在执行且优先级队列中无随机任务,则转至Step3;
步骤Step9执行过程中,如果执行结束时刻及执行结束时刻之前,存在任务到达,则需要同步执行步骤Step3。
进一步地,可以设置所述的Step7,具体为:
Step7.1:计算随机任务的可利用时间的模糊集
将随机任务Aa的到达时间为Ga到最近的一个周期任务调度Tij的最迟执行时刻的时间记为随机任务Aa的可利用时间Sa,即/>将可利用时间用模糊语言进行定义记为/>其中1≤v≤m,论域记为则可利用时间Sa的模糊集为式(1):
可利用时间Sa符合正态分布,因此隶属度函数表示为式(2):
Step7.2:计算随机任务的关键度的模糊集
关键度Ca的隶属度函数表示为式(4):
Step7.3:计算随机任务的执行时间的模糊集
记执行时间Ea的概率为P(Ea),则随机任务Aa的执行时间的Ea的隶属度为:
Step7.4:计算随机任务的优先级
随机任务Aa的重要性由优先级Pa决定,优先级Pa的评语集用m个模糊语言进行定义记为其中/>而优先级Pa由随机任务Aa的可利用时间的模糊集、关键度的模糊集和执行时间的模糊集共同确定;因此随机任务Aa的优先级因素集为X={“可利用时间”,“关键度”,“执行时间”},其模糊关系矩阵表示为式(7):
由于可利用时间的模糊集、关键度的模糊集和执行时间的模糊集对优先级的影响度不同,赋予它们不同的权重,记为加权模糊集R=(R1,R2,R3),其中R1+R2+R3=1;
通过A和R合成决策集,决策集表示为式(8):
决策集B中与优先级Pa的评语集是一一对应关系,则决策集B中的最大值对应评语集的子集为随机任务的优先级。
进一步地,对本申请中的步骤作出如下实例说明:
取周期任务T1和T2,周期任务T1的执行时间为2,周期和相对截止期都为8;周期任务T2的执行时间为3,周期和相对截止期都为10。周期任务T1和T2同时到达,则超周期H为40。
假设在时刻0随机任务A1到达,在时刻1随机任务A2、A3到达,在时刻8随机任务A4到达,在时刻10随机任务A5到达,则随机任务集的到达时间为G1=0,G2=1,G3=1,G4=8,G5=10。
随机任务Aa可利用时间Sa用模糊语言“短”、“中”、“长”描述,对应为关键度Ca用模糊语言“低”、“中”、“高”描述,对应为/>执行时间Ea用模糊语言“长”、“中”、“短”描述,对应为/>优先级Pa用模糊语言“低”、“中”、“高”描述,对应为/>加权模糊集取R=(0.2 0.6 0.2)。
部分调度过程如下所示,假设在判断和步骤跳转消耗的时间不计:
Step1、周期任务集为Π={T1,T2},随机任务集为Γ={A1,A2,A3,A4,A5},随机任务的到达时间为G1=0,G2=1,G3=1,G4=8,G5=10。
Step2、根据EDF算法得出周期任务T1和T2的调度ξ,调度ξ具体为:ξ11=(p11,q11)=(0,2),ξ12=(p12,q12)=(8,10),ξ13=(p13,q13)=(16,18),ξ14=(p14,q14)=(24,26),ξ15=(p15,q15)=(33,35),ξ21=(p21,q21)=(2,5),ξ22=(p22,q22)=(10,13),ξ23=(p23,q23)=(20,23),ξ24=(p24,q24)=(30,33)。
周期任务T1和T2的最迟执行时刻集记为预计结束时刻集为最大可挪用时间集为f′=((0,5),(10,14),(16,17),(20,22),(24,27),(32,35))(即0-40的时间内,去掉(5,7),(14,16),(22,24),(30,32),(38,40),(7,10),(17,20),(27,30),(35,38))。
Step3、在时刻0时,当前到达的任务有周期任务调度T11和T21、随机任务A1,对周期任务T11和T21执行Step4;随机任务A1等待;
Step4、在时刻0时(由于步骤Step3为判断步骤,所以不消耗时间,因此执行到该步骤时,***当时时刻仍然为0),周期任务调度T11和T21都未达到T11和T21的最迟执行时刻和/>且优先级队列中不存在随机任务,则未达到最迟执行时刻的周期任务调度T11和T21等待它的最迟执行时刻到达,转至Step3;
Step3、在时刻0时,T11和T21最迟执行时刻未到达,当前时刻有随机任务A1等待,则执行Step7;
Step7、在时刻0时,当前优先级队列中无任务,直接将随机任务A1排入队首,转至Step8;
Step8、在时刻0时,当前无任务正在执行,选择优先级队列队首任务A1执行,并转至Step9,执行步骤Step9分成两种情况:
执行Step9第一种情况:Step9、在时刻3时,随机任务A1执行结束,在该执行结束时刻之前,在时刻1时,当前到达的任务有随机任务A2,A3,转至Step3;Step3、对随机任务A2,A3执行Step7;Step7、随机任务Aa可利用时间Sa为关键度Ca为执行时间Ea为/>优先级Pa为加权模糊集取R=(0.2 0.6 0.2)。A2的可利用时间/>关键度/>执行时间/>A3的可利用时间/>关键度/>执行时间A2的决策集/>则A2的优先级P2为/>A3的决策集/>则A3的优先级P2为此时优先级队列中无任务,因此将随机任务A3排入优先级队列队首,随机任务A2排在随机任务之后,转至step8;Step8、在时刻1时,有随机任务A1在执行,等待。
执行Step9第二种情况:Step9、在时刻3时,随机任务A1执行结束,未达到最迟执行时刻集中的某一时刻,转至step8;在时刻3时,当前无任务正在执行,选择优先级队列队首任务A3执行,并转至step9;
两种情况执行后,接着执行如下:
Step8、在时刻4时,当前无任务正在执行,选择优先级队列队首任务A2执行,并转至step9;
Step6、在时刻9时,周期任务T21执行结束,未达到其预计结束时刻记录实际结束时刻,即r21=9,相差时间为/>空闲时间F=f′+f″=((0,5),(9,14),(16,17),(20,22),(24,27),(32,35)),并转至Step4;执行步骤Step4分成两种情况:
执行Step4的第一种情况:在时刻8时,随机任务A4到达,转至step3;Step3、在时刻8时,当前任务有随机任务A2、A4,转至step7;Step7、在时刻8时,优先级队列有任务A2,其优先级P2为随机任务A4的可利用时间/>关键度/>执行时间/>随机任务A4的决策集/>则随机任务A4的优先级P2为/>所以将随机任务A4放在随机任务A2之后,转至step8;Step8、在时刻8时,当前有任务T21正在执行,随机任务A2等待;
执行Step4的第二种情况:Step4、在时刻9时,无周期任务达到其最迟执行时刻,且优先级队列中存在随机任务A2,转至step8;step8、在时刻9时,当前无任务正在执行,选择优先级队列队首随机任务A2执行,并转至step9;
两种情况执行后,接着执行如下,如下过程又分两种情况:
执行step9的第一种情况:在时刻10时,随机任务A2执行结束,在该执行结束时刻10时,随机任务A5到达,转至step3;Step3、在时刻10时,当前只存在随机任务A5执行step7;Step7、在时刻10时,优先级队列中无任务,直接将随机任务A5排入队首,转至step8;Step8、在时刻10时,当前有任务正在执行,随机任务A5等待;
执行Step9的第二种情况:Step9、在时刻10时,随机任务A2执行结束,未达到最迟执行时刻集中的某一时刻,则转至step8;step8、在时刻10时,当前无任务正在执行,选择优先级队列队首随机任务A4执行,并转至step9;step9、在时刻11时,随机任务A4执行结束,未达到最迟执行时刻集中的某一时刻,则转至step8;step8、在时刻11时,当前无任务正在执行,选择优先级队列队首随机任务A5执行,并转至step9;
两种情况执行后,接着执行如下:
Step8、当前无任务正在执行,且优先级队列中无任务,则转至step3;
(后续执行过程同上)
本发明的工作原理是:首先根据EDF算法得到周期任务的调度过程和逆调度过程,由此得到最大可挪用时间;同时将周期任务的实际执行结束时间和预计执行结束时间之间的时间差记为相差时间;然后用模糊集处理随机任务的可利用时间、关键度、执行时间,计算其优先级;最后利用最大可挪用时间和相差时间选择高优先级随机任务执行。该方法可以提高重要随机任务的提交率,可使优先级高的随机任务优先执行,减小因任务错过截止期而造成***发生重大错误的几率。
上面结合附图对本发明的具体实施方式作了详细说明,但是本发明并不限于上述实施方式,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下作出各种变化。
Claims (2)
1.一种基于EDF算法和模糊集的实时任务调度方法,其特征在于:所述方法步骤如下:
Step1、记周期任务集为Π={T1,T2,...,Ti,...},记随机任务集为Γ={A1,A2,...,Aa,...},构建优先级队列;其中Ti表示第i个周期任务,第i个周期任务的第j次调度记为Tij,Aa表示第a个随机任务,对随机任务集中任务Aa设定到达时间为Ga;
Step2、根据EDF算法得到周期任务的调度过程,根据调度过程和超周期得到逆调度过程,根据调度过程和逆调度过程得到周期任务的最迟执行时刻集、预计结束时刻集、最大可挪用时间集;
根据EDF算法得出周期任务集的正向执行过程记为调度过程ξ,将周期任务集的调度过程ξ中每个任务的每个周期的每次调度记为ξij=(pij,qij);其中ξij表示正向执行时周期任务Ti的第j次调度,pij表示ξij的开始执行时间,qij表示ξij的结束时间;
周期任务集的逆向执行过程记为逆调度过程ξ-1,周期任务集的逆调度过程ξ-1中每个任务的每个周期的每次执行记为其中/>表示逆向执行时周期任务Ti的第j次调度,/>表示/>的最迟执行时刻,/>表示/>的预计结束时刻;/>j与k-1的和为周期任务Ti在一个超周期H内共调度的次数,H为超周期,即周期任务集中所有周期任务的最小公倍数;
Step3、当前有任务到达时,判断当前到达的任务类型:若同时到达的多个任务中既包含周期任务又包含随机任务,则对所有的周期任务执行步骤Step4,所有的随机任务等待;若只存在随机任务则执行Step7;
步骤Step4执行过程中,如果当前时刻及当前时刻之前,存在任务到达,则需要同步执行步骤Step3;
Step5、若存在一个周期任务的某次调度的到达时刻等于其最迟执行时刻,则执行该调度Tij,并转至Step6;
若存在多个周期任务的某次调度的到达时刻等于其对应的最迟执行时刻则随机选一个调度Tij执行,终止其它的周期任务调度,并转至Step6;
其中,将步骤Step5执行的第i个周期任务的第j次调度Tij实际结束时刻记为rij、第i个周期任务的第j次调度Tij的预计结束时刻与实际结束时刻rij之间的时间记为相差时间最大可挪用时间和相差时间的和记为空闲时间,即F=f′+f″;
Step7、如果随机任务为一个,且当前优先级队列中无任务,直接将该随机任务排入优先级队列的队首;否则,根据随机任务的可利用时间的模糊集、关键度的模糊集、执行时间的模糊集计算所有随机任务的优先级,并按优先级高低***优先级队列;转至Step8;
Step8、若当前时刻有任务正在执行,则等待;
若当前时刻无任务正在执行且优先级队列中有随机任务,则选择队列中队首的随机任务执行,并转至Step9;
若当前时刻无任务正在执行且优先级队列中无随机任务,则转至Step3;
步骤Step9执行过程中,如果执行结束时刻及执行结束时刻之前,存在任务到达,则需要同步执行步骤Step3。
2.根据权利要求1所述的基于EDF算法和模糊集的实时任务调度方法,其特征在于:所述的Step7,具体为:
Step7.1:计算随机任务的可利用时间的模糊集
将随机任务Aa的到达时间为Ga到最近的一个周期任务调度Tij的最迟执行时刻的时间记为随机任务Aa的可利用时间Sa,即/>将可利用时间用模糊语言进行定义记为/>其中1≤v≤m,论域记为/>则可利用时间Sa的模糊集为式(1):
可利用时间Sa符合正态分布,因此隶属度函数表示为式(2):
Step7.2:计算随机任务的关键度的模糊集
关键度Ca的隶属度函数表示为式(4):
Step7.3:计算随机任务的执行时间的模糊集
记执行时间Ea的概率为P(Ea),则随机任务Aa的执行时间的Ea的隶属度为:
Step7.4:计算随机任务的优先级
随机任务Aa的重要性由优先级Pa决定,优先级Pa的评语集用m个模糊语言进行定义记为其中/>而优先级Pa由随机任务Aa的可利用时间的模糊集、关键度的模糊集和执行时间的模糊集共同确定;因此随机任务Aa的优先级因素集为X={“可利用时间”,“关键度”,“执行时间”},其模糊关系矩阵表示为式(7):
由于可利用时间的模糊集、关键度的模糊集和执行时间的模糊集对优先级的影响度不同,赋予它们不同的权重,记为加权模糊集R=(R1,R2,R3),其中R1+R2+R3=1;
通过A和R合成决策集,决策集表示为式(8):
决策集B中与优先级Pa的评语集是一一对应关系,则决策集B中的最大值对应评语集的子集为随机任务的优先级。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910438335.4A CN110221907B (zh) | 2019-05-24 | 2019-05-24 | 一种基于edf算法和模糊集的实时任务调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910438335.4A CN110221907B (zh) | 2019-05-24 | 2019-05-24 | 一种基于edf算法和模糊集的实时任务调度方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110221907A CN110221907A (zh) | 2019-09-10 |
CN110221907B true CN110221907B (zh) | 2023-06-27 |
Family
ID=67818268
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910438335.4A Active CN110221907B (zh) | 2019-05-24 | 2019-05-24 | 一种基于edf算法和模糊集的实时任务调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110221907B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110609712A (zh) * | 2019-09-25 | 2019-12-24 | 上海依图信息技术有限公司 | 网络请求离散化处理方法 |
CN114546617B (zh) * | 2022-02-23 | 2024-06-11 | 南京航空航天大学 | 一种车载云环境下低服务成本的任务调度方法 |
CN114936076B (zh) * | 2022-04-26 | 2023-02-28 | 中国人民解放军国防科技大学 | 一种面向混合任务集的实时调度方法、装置和计算机设备 |
CN115269203B (zh) * | 2022-09-26 | 2022-12-27 | 环球数科集团有限公司 | 一种基于MapReduce模型的分布式并行计算编程*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2009087317A2 (fr) * | 2007-10-24 | 2009-07-16 | Centre National De La Recherche Scientifique | Procede de gestion des preemptions dans un systeme d'exploitation en temps reel |
CN101807065A (zh) * | 2010-03-26 | 2010-08-18 | 华南理工大学 | 一种软数控***的实时任务调度方法 |
CN101923489A (zh) * | 2010-08-06 | 2010-12-22 | 西华师范大学 | 基于模糊重要性和空闲时间的嵌入式实时任务调度方法 |
CN105629873A (zh) * | 2014-11-07 | 2016-06-01 | 中国科学院沈阳计算技术研究所有限公司 | 一种适用于数控***的混合任务调度方法 |
-
2019
- 2019-05-24 CN CN201910438335.4A patent/CN110221907B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2009087317A2 (fr) * | 2007-10-24 | 2009-07-16 | Centre National De La Recherche Scientifique | Procede de gestion des preemptions dans un systeme d'exploitation en temps reel |
CN101807065A (zh) * | 2010-03-26 | 2010-08-18 | 华南理工大学 | 一种软数控***的实时任务调度方法 |
CN101923489A (zh) * | 2010-08-06 | 2010-12-22 | 西华师范大学 | 基于模糊重要性和空闲时间的嵌入式实时任务调度方法 |
CN105629873A (zh) * | 2014-11-07 | 2016-06-01 | 中国科学院沈阳计算技术研究所有限公司 | 一种适用于数控***的混合任务调度方法 |
Non-Patent Citations (3)
Title |
---|
Component-oriented Modeling and Design of Hierarchical Hybrid Control System;Jing Zhang;《2007 IEEE International Conference on Control and Automation》;20071105;全文 * |
一种高回报的最小空闲时间优先实时调度改进算法;张晶等;《计算机工程》;20170315;全文 * |
模糊动态抢占调度算法;金宏等;《计算机学报》;20040612(第06期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110221907A (zh) | 2019-09-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110221907B (zh) | 一种基于edf算法和模糊集的实时任务调度方法 | |
Li et al. | A hybrid fruit fly optimization algorithm for the realistic hybrid flowshop rescheduling problem in steelmaking systems | |
CN110598941A (zh) | 一种基于仿生策略的粒子群优化制造***双目标排产方法 | |
CN110187956B (zh) | 一种多智能体平台的分层实时任务调度方法和*** | |
CN106155781B (zh) | 一种多智能体平台中的实时任务调度方法 | |
CN103365729A (zh) | 一种基于任务类型的动态MapReduce 调度方法及*** | |
CN116542445A (zh) | 基于深度强化学习的装备制造车间智能调度方法和*** | |
CN111061565B (zh) | 一种Spark环境下的两段式流水线任务调度方法及*** | |
CN114579270A (zh) | 一种基于资源需求预测的任务调度方法及*** | |
Carroll et al. | Incentive compatible online scheduling of malleable parallel jobs with individual deadlines | |
CN113406939A (zh) | 一种基于深度q网络的无关并行机动态混合流水车间调度方法 | |
Zhang et al. | A discrete job-shop scheduling algorithm based on improved genetic algorithm | |
CN113095618B (zh) | 一种it运维服务人员调度方法 | |
Mhiri et al. | Finite capacity planning algorithm for semiconductor industry considering lots priority | |
CN116562584A (zh) | 一种基于Conv-Dueling与泛化表征的动态车间调度方法 | |
CN109298917B (zh) | 一种适用于实时***混合任务的自适应调度方法 | |
CN104077182B (zh) | 一种同优先级任务调度策略 | |
CN113657742B (zh) | 车间调度方法、装置、电子设备及存储介质 | |
CN115756789A (zh) | 一种针对深度学习推理服务***的gpu调度优化方法 | |
CN102023895A (zh) | 一种具有优先级任务切换的单片机编程方法 | |
Salmani et al. | A fuzzy-based multi-criteria scheduler for uniform multiprocessor real-time systems | |
CN115454585A (zh) | 一种面向边缘设备深度学习模型推理的自适应批处理和并行调度*** | |
Wei et al. | Composite rules selection using reinforcement learning for dynamic job-shop scheduling | |
CN105005842B (zh) | 一种用于准时制生产的并行设备调度策略 | |
Li et al. | Mrsch: Multi-resource scheduling for hpc |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |