摘要: 机群系统的迅速发展使其成为并行计算系统中令人瞩目的一族。机群系统的异构性、开放性和网络延迟特性给网络并行计算带来了新的挑战。其中，任务调度策略是影响机群系统性能的关键，已经发展成为并行处理领域中的研究热点。任务调度问题就是指如何把... 展开 机群系统的迅速发展使其成为并行计算系统中令人瞩目的一族。机群系统的异构性、开放性和网络延迟特性给网络并行计算带来了新的挑战。其中，任务调度策略是影响机群系统性能的关键，已经发展成为并行处理领域中的研究热点。任务调度问题就是指如何把一组任务分配给处理机去执行，获得最短的执行时间。有效的任务调度将使得机群系统中的各处理机能够更好地协调工作，从而充分发挥机群系统的计算潜力。由于机群系统上任务调度问题的一般形式和几种受限形式都是NP完全问题，为此，各国研究人员对其进行了大量的研究，提出了一系列动态任务调度算法。所有这些方法都从某方面改进了动态负载均衡，提高了机群的性能。但由于机群系统的任务是在各结点动态分配生成，并且各结点的负载会发生动态变化，这就给机群环境中任务的合理分配与调度提出重大挑战。如果在任务分配与调度之前能对主机负载进行精确的预测与度量，这必将很好的改进机群系统中任务调度的策略，提高机群并行计算的效率。准确预测主机负载是实现高效动态负载均衡的关键，也是判断负载是否出现异常的重要依据。传统的预测方法是将负载看作平稳时间序列，采用线性预测模型进行预测，方法简单但预测精度不高。由于主机负载具有非线性、非平稳的特征，而人工神经网络不需要建立精确的数学模型，具有较好的非线性特性，这就为主机负载预测开辟了新的途径。但人工神经网络存在易陷入局部极小值、全局搜索能力弱的缺点，而遗传算法具有较好的全局寻优搜索能力。遗传神经网络是将两者有机结合，利用遗传算法优化神经网络初始权值，既保留了遗传算法全局寻优能力强的优点，又兼有神经网络的非线性特性和快速收敛性。本文分析了采用时间序列方法进行主机负载预测时存在的不足，提出采用遗传神经网络预测模型进行主机负载预测，建立了预测模型并进行了实验评估。针对物探数据处理问题，将主机负载预测和动态任务调度进行有效结合，并对传统的集中式任务调度策略(CJD)进行改进，设计出基于PVM平台的动态任务调度策略(CJD-HLP)，给出了该调度策略的实现模型和算法。最后，采用一个地质勘探中的电法勘探工程算例，对算法的性能进行了分析。 收起