Or Wyklad 4b

OBLICZENIA RÓWNOLEGŁE
I ROZPROSZONE
Temat 4b:
Deterministyczne problemy
szeregowania zadań, cz.II
Prowadzący: dr inż. Zbigniew TARAPATA
pok.225A, tel.: 83-95-04
e-mail: Zbigniew.Tarapata@wat.edu.pl
http:// tarapata.strefa
tarapata.strefa.pl
.pl//p_obliczenia_rownolegle_i_rozproszone/
p_obliczenia_rownolegle_i_rozproszone/
Szeregowanie operacji bezprocesorowych. Metoda ścieżki krytycznej.
Model –|prec|Cmax operacji o różnych czasach wykonania, z

zależnościami kolejnościowymi, ale nie wymagającymi procesorów.
Celem jest znalezienie najkrótszego możliwego harmonogramu.
Relacja porządku operacji Î sieć działań (digraf acykliczny):
• łuki odpowiadają operacjom, ich długości są równe czasom wykonywania,
• przez każdy wierzchołek przechodzi droga z z (źródło) do u (ujście),
• Zi≺Zj ⇔ w sieci istnieje droga z końca łuku Zi do początku Zj,
• można wprowadzać operacje pozorne – łuki o zerowej długości.
Z4,2 Z8,2 Z13,6 Relacja A Z ,2 D Z8,2 F Z13,6 I
4
Z1,3 porządku
Z5,4 Z9,1 Z14,5 Z1,3 Z5,4 Z9,1 Z14,5 Z18,5
Z18,5
Z2,8 Z2,8 C Z ,2 G Z15,9
Z 10 U
Z10,2 Z15,9 Z19,3
Z3,2 Z6,6
Z3,2 Z6,6 Z11,1 Z16,6 Z19,3
Z11,1 Z16,6
Z7,9 Sieć
Z12,2 Z17,2
przedsięwzięcia B Z7,9 E Z12,2 H Z17,2 J
2
Z.Tarapata, Obliczenia równoległe i rozproszone, wykład nr 4b, http://tarapata.strefa.pl/p_obliczenia_rownolegle_i_rozproszone/
1
Zasada: dla wszystkich wierzchołków v wyznaczamy najdłuższe drogi z z
do v. Ich długość to l(v). Jak to zrobić?
1. numeruj wierzchołki „topologicznie” (brak łuków „pod prąd”),
2. źródłu z nadaj etykietę l(z)=0, a kolejnym wierzchołkom v przypisuj
l(v)=max{l(u)+pj: łuk Zj prowadzi z u do v},
Wynik: l(v) wierzchołka początkowego Zj jest najwcześniejszym
możliwym terminem rozpoczęcia tej operacji. l(u) to termin zakończenia
harmonogramu. Z: 0 Terminy
A Z ,2 D Z8,2 F Z ,6 I Porządek A: 3 Z:0+3 uruchomienia
4 13
topologiczny B: 2 Z:0+2
Z1,3 Z5,4 Z9,1 Z14,5 Z18,5 C: 8 Z:0+8, A:3+4, B:2+6
D: 5 A:3+2
Z2,8 C Z10,2 G Z15,9 E: 11 B:2+9
Z U
F: 9 C:8+1 ,D:5+2
Z3,2 Z16,6 Z19,3 G: 12 C:8+2, E:11+1
Z6,6 Z11,1
H: 13 E:11+2
I: 17 F:9+6, G:12+5
B Z7,9 E Z12,2 H Z17,2 J J: 18 G:12+6, H:13+2
U: 22 I:17+5, J:18+3, G:12+9
3

Z4,2 Z8,2 Z13,6
Z1,3
A Z ,2 D Z ,2 F Z ,6 I Z5,4 Z9,1 Z14,5
4 8 13 Z18,5
Z2,8
Z1,3 Z5,4 Z9,1 Z14,5 Z18,5 Z10,2 Z15,9 Z19,3
Z3,2 Z6,6
Z2,8 C Z10,2 G Z15,9 Z7,9

Z11,1 Z16,6
Z U
Z: 0 Z12,2 Z17,2
A: 3 Z3,2 Z16,6
Z6,6 Z11,1 Z19,3
B: 2
C: 8
D: 5 B Z7,9 E Z12,2 H Z17,2 J
E: 11 Z7 Z16
F: 9
Z6 Z 15
G: 12
H: 13 Z3 Z5 Z13
I: 17 Z2 Z10 Z12 Z17 Z19
J: 18 Z9 Z11
Z1 Z4 Z8 Z14 Z18
U: 22
5 10 15 20 4
2
• Algorytm ścieżki krytycznej minimalizuje nie tylko Cmax, ale

wszystkie zdefiniowane wcześniej funkcje kryterialne.
• Możemy wprowadzić do modelu różne wartości terminów przybycia
rj za pomocą łuków pozornych (o długości rj, prowadzi z z do początku
łuku Zj).
5
Minimalizacja długości harmonogramu. Maszyny równoległe.
Procesory identyczne, zadania niezależne

Zadania podzielne P|pmtn|Cmax.
Algorytm McNaughtona Złożoność O(n)
1. Wylicz optymalną długość C*max=max{Σj=1,...,n pj/m, max j=1,...,n pj},
2. Szereguj kolejno zadania na maszynie, po osiągnięciu C*max
przerwij zadanie i (jeśli się nie zakończyło) kontynuuj je na następnym
procesorze począwszy od chwili 0.
Przykład. m=3, n=5, p1,...,p5=4,5,2,1,2.
Σi=1,...,5 pi=14, max pi=5, M1 Z1 Z2

Cmax*=max{14/3,5}=5.
M2 Z2 Z3
M3 Z3 Z4 Z5
5
6
3

Zadania niepodzielne P||Cmax.
Problem jest NP-trudny już na dwóch maszynach (P2||Cmax).
Dowód. Problem podziału: dany jest ciąg a1,...an liczb naturalnych o
S=Σi=1,...,n ai parzystej. Czy istnieje jego podciąg o sumie S/2?
Redukcja PP Î P2||Cmax: bierzemy n zadań o pj=aj (j=1,...,n), dwie
maszyny, pytamy o istnienie uszeregowania z Cmax≤S/2.
M1 pi ...
M2 ...
S/2
Dokładny algorytm dynamiczny o czasie pracy O(nCm), gdzie C≥Cmax*.

7

Wielomianowe algorytmy przybliżone.
Szeregowanie listowe (List Scheduling LS):
• Z ustalonego ciągu zadań wybieraj pierwsze wolne (według „listy”),
przypisując je zawsze do zwalniającego się procesora.
Przykład. m=3, n=5, p1,...,p5=2,2,1,1,3.
M1 Z1 Z 5 M1 Z5
M2 Z2 M2 Z3
Z1
M3 Z3 Z4 M3 Z2 Z4
5 3
Uszeregowanie Uszeregowanie
listowe optymalne
Dokładność. LS jest 2–przybliżone: Cmax(LS)≤(2–m–1)C*max
8
4

Wielomianowe algorytmy przybliżone.
Szeregowanie LPT (Longest Processing Time), SPT (Shortest Proc.Time):
• Szereguj listowo, przy czym zadania na liście są wstępnie
posortowane według nierosnących (LPT) lub niemalejących (SPT)
czasów wykonania pi.
Dokładność. LS jest 4/3–przybliżone: Cmax(LPT)≤(4/3–(3m)–1)C*max.
Procesory dowolne, zadania niezależne
Zadania podzielne R|pmtn|Cmax
Istnieje algorytm wielomianowy - wrócimy do tego ...
Zadania niepodzielne R||Cmax
• Oczywiście problem jest NP–trudny (uogólnienie P||Cmax).
• Podproblem Q|pi=1|Cmax można rozwiązać w czasie wielomianowym.
• W praktyce stosuje się LPT. 9
Procesory identyczne, zadania zależne

Zadania podzielne P|pmtn,prec|Cmax.
• W ogólności jest to problem NP–trudny.
• Istnieje algorytm O(n2) dla P2|pmtn,prec|Cmax i P|pmtn,forest|Cmax.
• Pomiędzy optymalnym harmonogramem z przerwami i bez zachodzi:
C*max≤(2–m–1)C*max(pmtn)
Zadania niepodzielne P|prec|Cmax.
• Oczywiście problem jest NP–trudny.
• Najbardziej znany podproblem wielomianowy, to P|pi=1,in–forest|Cmax i
P|pi=1,out–forest|Cmax (Algorytm Hu, złożoność O(n))
• Już przypadek P|pi=1,opositing–forest|Cmax jest NP–trudny.
Algorytm Hu:
• Redukcja out–forest Î in–forest: odwrócenie relacji prec, a po
uzyskaniu harmonogramu - odwrócenie go,
• in–forest Î in–tree: dodanie “dodatkowego korzenia” dla wszystkich
drzew, a po uzyskaniu harmonogramu usunięcie go.
10
5

Zadania niepodzielne
Algorytm Hu (P|pi=1,in–tree|Cmax):
• Poziom zadania – liczba węzłów na drodze do korzenia.
• Zadanie jest gotowe w chwili t – jeżeli wcześniej wykonane zostały
wszystkie zadania poprzedzające je.
Inaczej: algorytm Hu =
Policz poziomy zadań; szeregowanie listowe z ograniczeniami
t:=1; kolejnościowymi +
repeat lista utworzona wg. nierosnącego poziomu.
Wyznacz listę Lt zadań gotowych w chwili t;
Uporządkuj Lt według nierosnącego poziomu;
Przypisz m (lub mniej) zadań z początku Lt do maszyn;
Usuń przypisane zadania z grafu;
t:=t+1;
until
Z.Tarapata, uszeregowano
Obliczenia wszystkie
równoległe i rozproszone, wykład zadania;
nr 4b, http://tarapata.strefa.pl/p_obliczenia_rownolegle_i_rozproszone/
11

Przykład. Algorytm Hu. n=12, m=3.
4 T1 T2 T3 T4 T5 - zadanie dostępne
(wolne)
3 T6 T7 T8 T9
2 T10 T11
1 T12
12
6

4 T1 T2 T3 T4 T5
3 T6 T7 T8 T9
M1
2 T10 T11
M2
1 T12 M3

5 13

4 T1 T2 T3 T4 T5
3 T6 T7 T8 T9
M1 Z1
2 T10 T11
M2 Z2
1 T12 M3 Z3

5 14
7

4 T1 T2 T3 T4 T5
3 T6 T7 T8 T9
M1 Z1 Z4
2 T10 T11
M2 Z2 Z5
1 T12 M3 Z3 Z6

5 15

4 T1 T2 T3 T4 T5
3 T6 T7 T8 T9
M1 Z1 Z4 Z7
2 T10 T11
M2 Z2 Z5 Z8
1 T12 M3 Z3 Z6 Z9

5 16
8

4 T1 T2 T3 T4 T5
3 T6 T7 T8 T9
M1 Z 1 Z 4 Z 7 Z 10 Z 12
2 T10 T11
M2 Z 2 Z 5 Z 8 Z 11
1 T12 M3 Z3 Z6 Z9

5 17

Dla ogólnego P|prec|Cmax można stosować heurystykę LS. Kolejność
zadań na liście (priorytety) ustala się różnymi metodami. Mogą się
pojawiać anomalie polegające na wydłużaniu się harmonogramu przy:
• wzroście liczby maszyn,
• zmniejszaniu czasu wykonania zadań,
• zmniejszaniu relacji prec,
• zmianie kolejności na liście.
18
9
Minimalizacja średniego czasu przepływu na maszynach równoległych

Własność: zadanie Zj na maszynie Mi umieszczone na k–tej pozycji od
końca dodaje do kryterium ΣCj wartość kpj (lub kpij dla maszyn R|).
M Za Zb Zc
×3 ×2 ×1
Wnioski.
• długość pierwszego zadania jest mnożona przez największy
współczynnik, dla kolejnych zadań współczynniki maleją,
• minimalizując ΣCj powinniśmy umieszczać krótkie zadania na początku
(są mnożone przez największe współczynniki),
• optymalne uszeregowanie jest zgodne z regułą SPT (Shortest Processing
Times) – zadania na maszynach są podejmowane w kolejności
niemalejących czasów wykonania,
• ale jak znaleźć optymalne przypisanie zadań do procesorów? 19

Zadania podzielne i niepodzielne
Przypadki P||ΣCi i podzielnych P|pmtn|ΣCi można rozpatrywać razem
(optymalny harmonogram podzielny nie musi dzielić zadań).
Algorytm optymalny O(nlog n):
1. Przyjmij, że liczba zadań dzieli się przez m (ew. wprowadź zadania puste),
2. Uporządkuj je według SPT,
3. Przypisuj kolejne m–tki zadań w sposób dowolny do różnych maszyn.
Przykład. m=2, n=5, p1,...,p5=2,5,3,1,3.
SPT: Z0 Z4 Z1 Z3 Z5 Z2 M1 Z4 Z1 Z2
p i= 0 1 2 3 3 5
M2 Z3 Z5
Zadanie puste
Można M1 Z3 Z2 8
Z4
i tak:
M2 ΣCj*=21
Z1 Z5
9 20
10

Już wersja ważona P2||ΣwjCj jest NP-trudna.
Dowód. Jak w P2||Cmax. Redukcja PP Î P2||ΣwiCi: bierzemy n zadań o
pj= wj=aj (j=1,...,n), dwie maszyny. Wyznacz liczbę C(a1,...,an) taką, że
istnieje uszeregowanie o ΣwjCj≤C(a1,...,an) ⇔ Cmax*= Σi=1,...,n ai/2
(ćwiczenie).
Próbą pogodzenia kryteriów Cmax i ΣCi jest algorytm RPT:
1. Zastosuj szeregowanie LPT.
2. Na każdej maszynie posortuj zadania według SPT.
Dokładność: 1≤ΣCi (RPT)/ΣCi*≤m (zwykle jest lepsza)
• Już P2|prec,pj=1|ΣCi, P2|chains|ΣCi i P2|chains,pmtn|ΣCi są NP–trudne.
• Dla P|out–tree,pj=1|ΣCi znany jest wielomianowy algorytm oparty na
regule Hu.
21

1
1M1
Procesory dowolne, zadania niezależne
Algorytm O(n3) dla R||ΣCi
1Mm
bazuje na problemie skojarzeń
w grafach. Graf dwudzielny z Z1 2
krawędziami obciążonymi 2M1
wagami:
• W partycji V1 zadania Z1,...,Zn. k
kpij kM i
• W partycji V2 każdy procesor n
razy: kMi, i=1...m, k=1...n. Zj
• Krawędź z Zj do kMi ma wagę
kpij – oznacza ona zadanie Zj na n
maszynie Mi, pozycja k-ta od nM1
końca. Zn
Szukamy najlżejszego skojarzenia o

n krawędziach. Przedstawia ono
szukany harmonogram. nMm
22
11
Minimalizacja maksymalnego opóźnienia na maszynach równoległych
Własności:
• kryterium Lmax jest uogólnieniem Cmax, zagadnienia NP–trudne dla Cmax
pozostaną takie w przypadku Lmax,
M Zb Za M Za Zb
da db da db
• mając do wykonania wiele prac z różnymi wymaganymi terminami
zakończenia spóźnimy się „najmniej” zaczynając zawsze od
„najpilniejszej” pracy,
• to samo innymi słowy: w różnych wariantach stosujemy regułę EDD
(Earliest Due Date) – wybieraj zadania Zj w kolejności niemalejących
wymaganych terminów zakończenia dj,
• problem zadań niepodzielnych na jednej maszynie (1||Lmax) rozwiązuje
właśnie szeregowanie według EDD.
23

Zadania podzielne
Jedna maszyna: Algorytm Liu O(n2), oparty na regule EDD,

działający nawet przy 1|ri,pmtn|Lmax:
1. Spośród dostępnych zadań przydziel maszynę temu, które ma
najmniejszy wymagany termin zakończenia,
2. Jeśli zadanie zostało zakończone, lub przybyło nowe – wróć do 1
(w drugim przypadku przerywamy zadanie).
Więcej maszyn (P|ri,pmtn|Lmax). Również algorytm wielomianowy:

korzystamy z podprocedury rozwiązującej wersję z “twardymi”
terminami zakończenia P|ri,Ci≤di,pmtn|–, szukamy optymalnego
Lmax metodą połowienia.
24
12
P|ri,Ci≤di,pmtn|– sprowadzamy do problemu przepływu. Ustawiamy

wszystkie ri i di w ciąg e0<e1<...<ek.
e1-e0
Tworzymy sieć: w1 Z1
• Ze źródła wychodzi k łuków o
przepustowości m(ei–ei–1) do m(e1-e0)
p1
wierzchołków wi, i=1,...,k.
• Do ujścia wchodzą łuki o
przepustowości pi z m(ei-ei-1) ei-ei-1 pj
Z wi Zj U
wierzchołków Zi, i=1,...,n.
• Między wi a Zj biegnie łuk o
pn
przepustowości ei–ei–1, jeżeli m(ek-ek-1)
zachodzi [ei–1,ei]⊂[rj,dj].
wk Zn
Uszeregowanie istnieje ⇔ istnieje przepływ o objętości Σi=1,...,n pi (można
rozdysponować moce obliczeniowe procesorów do zadań w odpowiednich
odcinkach czasu, tak by wykonać wszystkie).
25
Zadania niezależne
Niektóre przypadki NP-trudne: P2||Lmax, 1|rj|Lmax.
Przypadki wielomianowe:
• dla zadań jednostkowych P|pj=1,rj|Lmax.
• podobnie dla maszyn jednorodnych Q|pj=1|Lmax (redukcja do
programowania liniowego),
• dla jednej maszyny rozwiązanie optymalne 1||Lmax uzyskamy
szeregując według EDD (to już było ...).
26
13
Zadania zależne
Zadania podzielne
Dla jednej maszyny 1|pmtn,prec,rj|Lmax zmodyfikowany algorytm Liu
O(n2):
1. określ zmodyfikowane terminy zakończenia zadań:
dj*=min{dj, min{di:Zj≺Zi}}
2. szereguj według EDD dla nowych dj* z wywłaszczaniem zadania, gdy
pojawia się nowe, wolne, z mniejszym zmodyfikowanym terminem
zakończenia,
3. powtarzaj 2 aż do uszeregowania wszystkich zadań.
• Inne przypadki wielomianowe:

P|pmtn,in–tree|Lmax, Q2|pmtn,prec,rj|Lmax.
• Stosuje się też algorytmy pseudowielomianowe.
27
Zadania zależne
• Już P|pj=1,out–tree|Lmax jest NP–trudny.
• P|pj=1,in–tree|Lmax rozwiązuje algorytm Bruckera O(nlog n):
next(j) = bezpośredni następnik zadania Zj.

1. wylicz zmodyfikowane terminy zakończenia zadań:
dla korzenia droot*=1–droot i dla pozostałych dk*=max{1+dnext(k)*,1–dk},
2. szereguj zadania dostępne podobnie jak w algorytmie Hu, ale remisy
rozstrzygaj wybierając zadania według nierosnących
zmodyfikowanych terminów zakończenia, a nie według poziomów w
drzewie.
28
14
Zadania zależne
Przykład. Algorytm Bruckera, n=12, m=3, terminy zakończenia dk w
kółkach.
-5,-3
-3,-3 4 T1 6 T2 -3,0 4 T3 -1,1 2 T T 3 -2,1
4 5
0,-4 1 T6-4,-4 5 T7 -2,-1 3 T8 T9 1 0,-1
-5,-5 6 T10 T11 3 -2,-5
-6 7 T12
29
Zadania zależne
Przykład. Algorytm Bruckera, n=12, m=3, terminy zakończenia w kółkach.
-3
-3 4 T1 6 T2 0 4 T3 1 2 T T 31
4 5
0 1 T6 -4 5 T7 -1 3 T8 T9 1 0
-5 6 T10 T11 3 -2
-6 7 T12
30
15
Zadania zależne
-3
-3 T1 T2 0 T3 1 T4 T5 1
0 T6 -4 T7 -1 T8 T9 0
M1
-5 T10 T11 -2
M2
-6 T12 M3

6 31
Zadania zależne
-3
-3 T1 T2 0 T3 1 T4 T5 1
0 T6 -4 T7 -1 T8 T9 0
M1 Z3
-5 T10 T11 -2
M2 Z4
-6 T12 M3 Z5

6 32
16
Zadania zależne
-3
-3 T1 T2 0 T3 1 T4 T5 1
0 T6 -4 T7 -1 T8 T9 0
M1 Z3 Z6
-5 T10 T11 -2
M2 Z4 Z8
-6 T12 M3 Z5 Z9

6 33
Zadania zależne
-3
-3 T1 T2 0 T3 1 T4 T5 1
0 T6 -4 T7 -1 T8 T9 0
M1 Z3 Z6 Z1
-5 T10 T11 -2
M2 Z4 Z8 Z2
-6 T12 M3 Z 5 Z 9 Z 11

6 34
17
Zadania zależne
-3
-3 T1 T2 0 T3 1 T4 T5 1
0 T6 -4 T7 -1 T8 T9 0
M1 Z3 Z6 Z1 Z7
-5 T10 T11 -2
M2 Z4 Z8 Z2
-6 T12 M3 Z 5 Z 9 Z 11

6 35
Zadania zależne
-3
-3 T1 T2 0 T3 1 T4 T5 1
0 T6 -4 T7 -1 T8 T9 0
M1 Z 3 Z 6 Z 1 Z 7 Z 10 Z 12
-5 T10 T11 -2
M2 Z4 Z8 Z2
-6 T12
M3 Z 5 Z 9 Z 11

6 36
18
Zadania zależne
Opóźnienia:
-3
-1 4 T1 6 T2 -3 4 T3 -1 2 T T 3 -2
4 5
1 T -1 5 T7 -1 3 T8 T9 1 1
Lmax*=1 6
M1 Z 3 Z 6 Z 1 Z 7 Z 10 Z 12
-1 6 T10 T11 3 0
M2 Z4 Z8 Z2
-1 7 T12
M3 Z 5 Z 9 Z 11

6 37
Dziękuję za uwagę
38
19

Or Wyklad 4b

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Or Wyklad 4b

Uploaded by

Copyright:

Available Formats

OBLICZENIA RÓWNOLEGŁE

Szeregowanie operacji bezprocesorowych. Metoda ścieżki krytycznej.

Model –|prec|Cmax operacji o różnych czasach wykonania, z

Szeregowanie operacji bezprocesorowych. Metoda ścieżki krytycznej.

Z2,8 C Z10,2 G Z15,9 Z7,9

• Algorytm ścieżki krytycznej minimalizuje nie tylko Cmax, ale

Minimalizacja długości harmonogramu. Maszyny równoległe.

Procesory identyczne, zadania niezależne

Σi=1,...,5 pi=14, max pi=5, M1 Z1 Z2

Procesory identyczne, zadania niezależne

Dokładny algorytm dynamiczny o czasie pracy O(nCm), gdzie C≥Cmax*.

Minimalizacja długości harmonogramu. Maszyny równoległe.

Procesory identyczne, zadania niezależne

Procesory identyczne, zadania niezależne

Minimalizacja długości harmonogramu. Maszyny równoległe.

Procesory identyczne, zadania zależne

Procesory identyczne, zadania zależne

Minimalizacja długości harmonogramu. Maszyny równoległe.

Procesory identyczne, zadania zależne

Procesory identyczne, zadania zależne

Z.Tarapata, Obliczenia równoległe i rozproszone, wykład nr 4b, http://tarapata.strefa.pl/p_obliczenia_rownolegle_i_rozproszone/

Minimalizacja długości harmonogramu. Maszyny równoległe.

Procesory identyczne, zadania zależne

Z.Tarapata, Obliczenia równoległe i rozproszone, wykład nr 4b, http://tarapata.strefa.pl/p_obliczenia_rownolegle_i_rozproszone/

Procesory identyczne, zadania zależne

Z.Tarapata, Obliczenia równoległe i rozproszone, wykład nr 4b, http://tarapata.strefa.pl/p_obliczenia_rownolegle_i_rozproszone/

Minimalizacja długości harmonogramu. Maszyny równoległe.

Procesory identyczne, zadania zależne

Z.Tarapata, Obliczenia równoległe i rozproszone, wykład nr 4b, http://tarapata.strefa.pl/p_obliczenia_rownolegle_i_rozproszone/

Procesory identyczne, zadania zależne

Z.Tarapata, Obliczenia równoległe i rozproszone, wykład nr 4b, http://tarapata.strefa.pl/p_obliczenia_rownolegle_i_rozproszone/

Minimalizacja długości harmonogramu. Maszyny równoległe.

Procesory identyczne, zadania zależne

Procesory identyczne, zadania niezależne

Minimalizacja średniego czasu przepływu na maszynach równoległych

Procesory identyczne, zadania niezależne

Procesory identyczne, zadania niezależne

Minimalizacja średniego czasu przepływu na maszynach równoległych

Szukamy najlżejszego skojarzenia o

Minimalizacja maksymalnego opóźnienia na maszynach równoległych

Procesory identyczne, zadania niezależne

Jedna maszyna: Algorytm Liu O(n2), oparty na regule EDD,

Więcej maszyn (P|ri,pmtn|Lmax). Również algorytm wielomianowy:

P|ri,Ci≤di,pmtn|– sprowadzamy do problemu przepływu. Ustawiamy

Minimalizacja maksymalnego opóźnienia na maszynach równoległych

• Inne przypadki wielomianowe:

Minimalizacja maksymalnego opóźnienia na maszynach równoległych

next(j) = bezpośredni następnik zadania Zj.

0,-4 1 T6-4,-4 5 T7 -2,-1 3 T8 T9 1 0,-1

-5,-5 6 T10 T11 3 -2,-5

Minimalizacja maksymalnego opóźnienia na maszynach równoległych

Z.Tarapata, Obliczenia równoległe i rozproszone, wykład nr 4b, http://tarapata.strefa.pl/p_obliczenia_rownolegle_i_rozproszone/

Minimalizacja maksymalnego opóźnienia na maszynach równoległych

Z.Tarapata, Obliczenia równoległe i rozproszone, wykład nr 4b, http://tarapata.strefa.pl/p_obliczenia_rownolegle_i_rozproszone/

Z.Tarapata, Obliczenia równoległe i rozproszone, wykład nr 4b, http://tarapata.strefa.pl/p_obliczenia_rownolegle_i_rozproszone/

Minimalizacja maksymalnego opóźnienia na maszynach równoległych

Z.Tarapata, Obliczenia równoległe i rozproszone, wykład nr 4b, http://tarapata.strefa.pl/p_obliczenia_rownolegle_i_rozproszone/

Z.Tarapata, Obliczenia równoległe i rozproszone, wykład nr 4b, http://tarapata.strefa.pl/p_obliczenia_rownolegle_i_rozproszone/

Minimalizacja maksymalnego opóźnienia na maszynach równoległych

Z.Tarapata, Obliczenia równoległe i rozproszone, wykład nr 4b, http://tarapata.strefa.pl/p_obliczenia_rownolegle_i_rozproszone/

Z.Tarapata, Obliczenia równoległe i rozproszone, wykład nr 4b, http://tarapata.strefa.pl/p_obliczenia_rownolegle_i_rozproszone/

You might also like