導(dǎo)語：剖析量子粒子理論群優(yōu)化研究論文一文來源于網(wǎng)友上傳，不代表本站觀點(diǎn)，若需要原創(chuàng)文章可咨詢客服老師，歡迎參考。

摘要:任務(wù)調(diào)度是網(wǎng)絡(luò)并行計算系統(tǒng)的核心問題之一。在有向無環(huán)圖(DAG)描述問題的基礎(chǔ)上,提出了一種進(jìn)行并行任務(wù)調(diào)度的量子粒子群優(yōu)化算法。首先對DAG并行任務(wù)調(diào)度問題作出定義,并給出了優(yōu)化問題的目標(biāo);然后分別探討了問題的編碼表示、解碼方案、位置向量的計算方法、離散問題連續(xù)化、算法的總體流程等;最后給出算法的仿真實(shí)驗(yàn)情況與研究,實(shí)驗(yàn)結(jié)果表明,該算法有良好的全局尋優(yōu)性能和快捷的收斂速度,調(diào)度效果優(yōu)于遺傳算法和粒子群優(yōu)化算法。

關(guān)鍵詞:任務(wù)調(diào)度;量子粒子群優(yōu)化;有向無環(huán)圖

網(wǎng)絡(luò)并行計算環(huán)境下的任務(wù)調(diào)度問題是指在一定約束條件下,如何將一組任務(wù)分配到多臺處理機(jī)上執(zhí)行的組合優(yōu)化問題,其已被證明是NP完全問題,不可能在多項(xiàng)式時間內(nèi)找到問題的最優(yōu)解[1,2]。目前常見的并行任務(wù)調(diào)度問題按照任務(wù)之間有無數(shù)據(jù)依賴關(guān)系可以劃分為獨(dú)立任務(wù)調(diào)度和依賴關(guān)系任務(wù)調(diào)度。前者在調(diào)度任務(wù)時不需要考慮任務(wù)之間的數(shù)據(jù)依賴關(guān)系;而后者通常用有向無環(huán)圖(DAG)表示任務(wù)之間的數(shù)據(jù)依賴關(guān)系,在調(diào)度過程中滿足任務(wù)之間的數(shù)據(jù)依賴關(guān)系。依賴關(guān)系任務(wù)調(diào)度的求解優(yōu)化過程比獨(dú)立任務(wù)調(diào)度的要復(fù)雜許多,且其適用范圍也更廣。以DAG表示的并行任務(wù)模型的研究得到了廣泛關(guān)注和迅速發(fā)展。近年出現(xiàn)的一些啟發(fā)式算法(如模擬退火算法、遺傳算法等)為求解此類NP完全問題提供了新的途徑[3~5],但是這些算法有些復(fù)雜性太高難以實(shí)現(xiàn),有些實(shí)現(xiàn)起來太費(fèi)時,所以有必要尋求更好的算法來解決此問題。

粒子群優(yōu)化(PSO)算法是由Kennedy等人[6]提出的一種源于對鳥群捕食行為模擬的進(jìn)化計算技術(shù),已成為進(jìn)化計算的一個最吸引人的分支。與遺傳算法類似,PSO是一種基于迭代的優(yōu)化方法,系統(tǒng)初始化為一組隨機(jī)解,通過迭代搜尋最優(yōu)值,但是在許多實(shí)際應(yīng)用領(lǐng)域,更勝于遺傳算法,尤其是在非線性優(yōu)化問題上。量子粒子群優(yōu)化(QPSO)算法是在傳統(tǒng)的PSO基礎(chǔ)上提出的一種新型的具有高效率全局搜索能力的進(jìn)化算法[7,8]。它主要是引入量子物理的思想改進(jìn)了PSO的進(jìn)化方法,即更新粒子位置的方法;在更新粒子位置時重點(diǎn)考慮各個粒子的當(dāng)前局部最優(yōu)位置信息和全局最優(yōu)位置信息。QPSO具有調(diào)整參數(shù)少、容易實(shí)現(xiàn)、收斂能力強(qiáng)等優(yōu)勢。為適應(yīng)任務(wù)分配問題的求解,本文設(shè)計出合適的粒子編碼,利用改進(jìn)的量子粒子群算法求解任務(wù)分配問題,并與其他算法相比較。實(shí)驗(yàn)結(jié)果表明,本文提出的算法可以獲得質(zhì)量更高的解。

1問題描述

本模型的計算系統(tǒng)由一系列異構(gòu)的處理機(jī)組成,需要處理的總?cè)蝿?wù)已分解成一系列子任務(wù)。模型的約束條件為:任務(wù)執(zhí)行具有非搶占性,即處理機(jī)只有在執(zhí)行完某個任務(wù)之后才能處理另外一個任務(wù);另外這些任務(wù)之間具有前驅(qū)后繼的數(shù)據(jù)依賴關(guān)系,某個子任務(wù)只有在其所有的前驅(qū)任務(wù)處理完畢后才能開始執(zhí)行。該模型的調(diào)度目標(biāo)就是要使得整個DAG圖的調(diào)度長度最短。

為了便于分析問題,可以用下列五元組表述:

Π=(P,G,Θ,Ψ,Ω)

其中:

P={P1,P2,…,Pn}為n個處理機(jī)的集合。

G是子任務(wù)集T的依賴關(guān)系圖,它通過DAG來表示各個子任務(wù)間的調(diào)度約束關(guān)系。G=(T,E),其中T={T1,T2,…,Tm}為m個子任務(wù)的集合,一個子任務(wù)Ti就是圖G中的一個節(jié)點(diǎn),E是任務(wù)依賴關(guān)系圖中的有向邊集?！碩i,Tj〉∈E(i,j=1,2,…,m),則表示在子任務(wù)Ti沒有完成之前,任務(wù)Tj不能執(zhí)行。這時稱Ti為Tj的一個前驅(qū),Tj為Ti的一個后繼,E可用鄰接矩陣存儲。

Θ是一個m×n矩陣,其元素θij表示任務(wù)Ti在處理機(jī)Pj上的執(zhí)行時間,假設(shè)每個任務(wù)的執(zhí)行時間預(yù)知(i=1,2,…,m;j=1,2,…,n)。

Ψ是一個m×m矩陣,其元素ψij表示任務(wù)Ti與Tj之間的數(shù)據(jù)傳輸延時(i,j=1,2,…,m),同時假設(shè)各處理機(jī)間的通信能力是相同的,且忽略網(wǎng)絡(luò)擁塞,即傳輸?shù)臄?shù)據(jù)量是惟一影響ψij大小的因素。

Ω是一個m×n的任務(wù)分配矩陣,其中ωij=1表示Ti分配到處理機(jī)Pj上執(zhí)行;否則ωij=0(i=1,2,…,m;j=1,2,…,n)。

要實(shí)現(xiàn)的目標(biāo)是尋找一個分配調(diào)度策略,將m個子任務(wù)分配到n個處理機(jī)上,合理調(diào)度各個子任務(wù)的執(zhí)行次序,使得各子任務(wù)在滿足依賴關(guān)系圖G的約束下,整個任務(wù)的完成時間最短?，F(xiàn)假設(shè)某一合法的分配調(diào)度S,將T中的m個子任務(wù)分配到n個處理機(jī)上,其中子任務(wù)Ti被分配到處理機(jī)Pj上執(zhí)行,那么子任務(wù)Ti在處理機(jī)Pj上的執(zhí)行時間滿足以下兩式:

St(Ti,Pj)=maxTk∈Pred(Ti)(Ft(Tk,Pr)+(1-ωkj)ψki)(1)

Ft(Ti,Pj)=St(Ti,Pj)+θij;i,k=1,2,…,m;j,r=1,2,…,n(2)

其中:St(Ti,Pj)和Ft(Ti,Pj)分別表示子任務(wù)Ti在處理機(jī)Pj上的開始執(zhí)行時刻和結(jié)束執(zhí)行時刻;Pred(Ti)表示子任務(wù)Ti的前驅(qū)節(jié)點(diǎn)集合,假設(shè)子任務(wù)Tk∈Pred(Ti)被分配到處理機(jī)Pr上。

根據(jù)式(1)(2)迭代計算,可得到所有子任務(wù)的結(jié)束執(zhí)行時刻。設(shè)Γ(S)為在調(diào)度策略S下完成任務(wù)所使用的總時間,那么:Γ(S)=max(Ft(Ti,Pj));i=1,2,…,m;j=1,2,…,n。

任務(wù)調(diào)度目標(biāo)就是min(Γ(S))S,即尋找一個分配調(diào)度S,使得Γ(S)最小。

鑒于本文主要考慮任務(wù)調(diào)度問題,在不失問題一般性的情況下,可忽略數(shù)據(jù)傳輸延時,即在下文中可假設(shè)所有的ψij=0。

2算法

2.1PSO算法

粒子群優(yōu)化(PSO)算法是一種進(jìn)化計算方法,是一種基于迭代的優(yōu)化工具。該算法通過群體中各粒子間的合作與競爭來搜索全局最優(yōu)點(diǎn)。

系統(tǒng)初始化為一組共n個隨機(jī)解,通過迭代搜尋整個群體的最優(yōu)值。粒子i的當(dāng)前位置為xi=(xi1,xi2,…,xid),其飛行速度記為vi=(vi1,vi2,…,vid),在解空間中追隨適應(yīng)度最優(yōu)的粒子進(jìn)行搜索。在每一次迭代中,粒子通過跟蹤兩個“極值”來更新自己:a)每個粒子本身所找到的最優(yōu)解pbest。如果粒子當(dāng)前位置對應(yīng)的適應(yīng)度小于pbest的適應(yīng)度,則pbest更新為當(dāng)前位置。b)整個種群從起始到目前所找到的最優(yōu)解gbest。每個粒子按以下兩個公式進(jìn)行動態(tài)進(jìn)化,調(diào)整粒子的位置:

vi,d(t+1)=wvi,d(t)+c1r1,d(t)(pbesti,d-xi,d(t))+c2r2,d(t)(gbestd(t)-xi,d(t))(3)

xi(t+1)=xi(t)+vi(t+1)(4)

其中:w是慣性權(quán)重,動態(tài)調(diào)整慣性權(quán)重以平衡收斂的全局性和收斂速度;c1和c2為加速常數(shù),通常在0～2取值,c1調(diào)節(jié)粒子飛向自身最好位置方向的步長,c2調(diào)節(jié)粒子飛向全局最好位置方向的步長;r1,d(t),r2,d(t)～U(0,1),且d=1,2,…,n。為了減少在進(jìn)化過程中粒子離開搜索空間的可能性,粒子的每一維速度被限定在[-Vmax,Vmax]內(nèi)。

2.2QPSO算法

`Sun等人從量子力學(xué)的角度,通過對粒子收斂行為的研究,基于粒子群算法提出了一種新的算法模型——量子粒子群(QPSO)算法。在該算法中,由于粒子滿足聚集態(tài)的性質(zhì)完全不同,使粒子在整個可行解空間中進(jìn)行搜索尋求全局最優(yōu)解,因而QPSO算法在搜索能力上遠(yuǎn)遠(yuǎn)優(yōu)于所有已開發(fā)的PSO算法。

QPSO算法參數(shù)個數(shù)少,進(jìn)化方程的形式更加簡單,更容易控制。在QPSO算法中,每一個粒子必須收斂于各自的隨機(jī)點(diǎn)Pi,粒子按照下面的三式移動:

mbest=1mmi=1Pi=(1mmi=1Pi1,…,1mmi=1Pij)(5)

PPij=fPij+(1-f)Pgj,f=rand(6)

xij=PPij±a|mbestj-xij|ln(1/u),u=rand(7)

其中:mbest是粒子群pbest的中間位置;Pij為粒子本身所找到的最優(yōu)解pbest;Pgj為整個粒子群目前找到的最優(yōu)解gbest;PPij為Pij與Pgj之間的隨機(jī)點(diǎn);a為QPSO的收縮擴(kuò)張系數(shù),它是QPSO收斂的一個重要參數(shù),第t次迭代時一般可取

a=amax-t(amax-amin)/tmax(8)

其中:tmax是迭代的最大次數(shù),amax與amin分別是最大和最小系數(shù)。QPSO的算法流程如下:

a)迭代次數(shù)t=0,對種群的每個粒子的位置向量進(jìn)行初始化。

b)根據(jù)目標(biāo)函數(shù)計算每個粒子的目標(biāo)函數(shù)值。

c)更新每個粒子的新局部最優(yōu)位置Pi。

d)更新粒子群的全局最優(yōu)位置Pg。

e)根據(jù)式(5)計算mbest。

f)根據(jù)式(6)計算每個粒子隨機(jī)點(diǎn)PPi。

g)根據(jù)式(7)(以一定的概率取加或減)更新每個粒子的新位置。

h)令t=t+1,返回到b),重新計算,直到終止條件滿足。

3基于QPSO的DAG并行任務(wù)調(diào)度

3.1編碼與解碼

任務(wù)調(diào)度的常見編碼包括基于任務(wù)的編碼、基于操作的編碼和基于優(yōu)先規(guī)則的編碼等。由于DAG并行任務(wù)調(diào)度的復(fù)雜性,采用任一種上述編碼形式均無法保證所有解的合法性,這將浪費(fèi)大量的求解時間。本文設(shè)計了一種復(fù)合的編碼方案:編碼長度為2m,可描述為兩個向量,第一個向量采用基于優(yōu)先規(guī)則的編碼方式,為一個包含m維的向量(R1,R2,…,Rm)。其中Ri表示在算法迭代過程中第i次迭代時發(fā)生的沖突利用優(yōu)先規(guī)則Ri消除。本文選擇了五種優(yōu)先規(guī)則,包括最短執(zhí)行時間(SPT)、最長執(zhí)行時間(LPT)、最早開工時間(EST)、最早完工時間(EFT)、最晚完工時間(LFT),數(shù)字0、1、2、3、4分別對應(yīng)優(yōu)先規(guī)則SPT、LPT、EST、EFT、LFT。第二個向量是處理機(jī)分配向量,即一個包含m維的向量(M1,M2,…,Mm)。其中Mi表示編號為i的子任務(wù)被分配到編號為(Mi)的處理機(jī)上執(zhí)行(所有處理機(jī)編號為0,1,…,n-1)。

在解碼過程中,設(shè)t為調(diào)度的時間步,PS為調(diào)度列表。其中PSt為第t步調(diào)度執(zhí)行的子任務(wù);TS為所有前驅(qū)已經(jīng)被調(diào)度的子任務(wù)所構(gòu)成的集合。解碼算法如下:

a)令t=1,PS為空,TS由所有無前驅(qū)的子任務(wù)構(gòu)成。

b)由TS中所有子任務(wù)編碼,在處理機(jī)分配向量(M1,M2,…,Mm)中找到分配給每個子任務(wù)的處理機(jī),并在Θ中找到具體執(zhí)行時間。

c)依據(jù)約束條件和執(zhí)行時間,得到TS中每個子任務(wù)對應(yīng)的指標(biāo)時間(開工、完工或執(zhí)行時間),由編碼Rt所對應(yīng)的優(yōu)先規(guī)則選出一個子任務(wù)(如優(yōu)先規(guī)則為最短執(zhí)行時間,則選TS中執(zhí)行時間最短的子任務(wù),如果有多個子任務(wù)符合優(yōu)先規(guī)則,則任選一個),該子任務(wù)就是PSt,從TS中刪除它,并將其加入PS的尾部。

d)逐個考察PSt的后繼子任務(wù),如果該子任務(wù)無其他前驅(qū),或其他前驅(qū)都已被調(diào)度執(zhí)行,則將其加入TS中。

e)令t=t+1,若t通過下面示例說明解碼過程:

任務(wù)的DAG如圖1所示。

優(yōu)先規(guī)則向量:

(032140)

即:(SPTEFTESTLPTLFTSPT)

處理機(jī)分配向量:(011010)

即(P1P2P2P1P2P1)

在Θ中查到的處理時間:(246537)

處理時間指1～6號子任務(wù)在對應(yīng)處理機(jī)上的執(zhí)行時間。

根據(jù)示例數(shù)據(jù)得到的調(diào)度列表PS為(T1T2T4T6T3T5),甘特圖如圖2所示。

由上述編碼方式和解碼過程可知,本文編碼能保證調(diào)度的可行性,且碼長較短,無冗余,解碼復(fù)雜性不高。

3.2QPSO中向量的計算方法

對每個粒子,它的優(yōu)先規(guī)則向量和處理機(jī)分配向量可以表示為Xpriority(1..m)和Xmachine(1..m),按式(5)~(7)計算這兩個向量。由于前面所述的QPSO為連續(xù)空間算法,而DAG并行任務(wù)調(diào)度問題為整數(shù)規(guī)劃問題,將離散優(yōu)化轉(zhuǎn)變成對實(shí)數(shù)向量的連續(xù)優(yōu)化,具體過程如下:

a)將每個向量切斷分成若干個子串,各段子串的長度可以相等,也可以不相等,子串形如(q1,q2,…,qk)。

b)從整數(shù)組成的子串到實(shí)數(shù)作一個映射,可表示為

r=c×ki=1qi×bk-i(9)

其中:r為映射的實(shí)數(shù);c是常數(shù),一般取足夠小的實(shí)數(shù),本文取值為0.01;b為基數(shù),對于Xpriority,b取值為5,對于Xmachine,b取值為n。c)在計算任務(wù)執(zhí)行總時間前,需將r轉(zhuǎn)換為子串,即式(9)的逆映射:

qi=(rc-i-1j=1qj×bk-j)divbk-i(10)

其中:div為整除,得到的商qi為整數(shù),在實(shí)際運(yùn)算時,可用一個循環(huán),i從1~k得到子串中所有分量。

例如9個子任務(wù)的情況,Xpriority=(242143410),分為三段,各子串長度均為3。

子串(242);(143);(410)

變換后得到

r0.720.481.05

經(jīng)過迭代后的情況:

逆變換后得到

r0.531.120.91

子串(203)(422)(331)

在初始化時,可省掉式(9)的轉(zhuǎn)換過程,直接給粒子位置賦實(shí)數(shù)。

解決了連續(xù)化問題之后,還有一個邊界問題,如上例r的取值為[0,1.24],如迭代過程中z的運(yùn)算結(jié)果超出范圍時,將r值取在邊界上。若r<0,取值0;r>1.24,取值1.24。

通過上述映射和逆映射,整數(shù)規(guī)劃問題轉(zhuǎn)換為連續(xù)優(yōu)化問題,從而可以利用QPSO優(yōu)化獲得高質(zhì)量的解。

3.3算法流程

a)初始化粒子群,根據(jù)編碼方案設(shè)定各粒子的隨機(jī)位置。

b)根據(jù)式(10)將每個粒子的實(shí)數(shù)向量轉(zhuǎn)換為整數(shù)向量。

c)對每個粒子的整數(shù)向量解碼后,計算每個粒子的目標(biāo)函數(shù)值。

d)更新每個粒子的局部最優(yōu)值Pi。

e)更新粒子群的全局最優(yōu)值Pg。

f)根據(jù)式(5)計算mbest。

g)根據(jù)式(6)計算每個粒子隨機(jī)點(diǎn)PPi。

h)根據(jù)式(7)更新每個粒子的新位置。

i)返回b)步,直到滿足迭代的次數(shù)。

4仿真實(shí)驗(yàn)與結(jié)果分析

4.1實(shí)驗(yàn)參數(shù)選取

本文的仿真實(shí)驗(yàn)是在MATLAB軟件上實(shí)現(xiàn)的。實(shí)驗(yàn)所用DAG圖隨機(jī)生成,每個任務(wù)節(jié)點(diǎn)有1～4個前驅(qū)與后繼,估計運(yùn)行時間θij為1～50s的隨機(jī)數(shù)。實(shí)驗(yàn)計算了文獻(xiàn)[3,4]的算法、PSO與本文的QPSO共四種情況,算法中主要參數(shù):種群大小為80,終止代數(shù)為1500,amax取值1,amin取值0.5;PSO的慣性權(quán)重w與QPSO中的收縮擴(kuò)張系數(shù)a取值相同,c1和c2均為2,編碼、解碼、連續(xù)化與邊界問題均使用本文的方案;文獻(xiàn)[3]算法的雜交概率為1.0,變異概率為0.05;文獻(xiàn)[4]算法的內(nèi)部雜交概率為0.8,遷移概率為0.2,演化策略中的參數(shù)為μ/λ=5。

4.2計算結(jié)果與分析

對于隨機(jī)生成的同一個DAG圖,分別用上述四種算法進(jìn)行計算,記錄各算法收斂時得到的最優(yōu)解的完成時間和收斂時的進(jìn)化代數(shù)。計算結(jié)果如表1所示。為了消除數(shù)據(jù)隨機(jī)性的影響,更好地反映算法的性能,表1中的進(jìn)化代數(shù)是100次進(jìn)化的平均收斂代數(shù),完成時間是所有100次進(jìn)化中得到的最優(yōu)解的平均完成時間。圖3為四個處理機(jī)100個子任務(wù)情況下四種算法分別進(jìn)化的靜態(tài)性能曲線,列出了各算法在不同進(jìn)化代數(shù)時所找到的最優(yōu)解。表2為四種算法在進(jìn)化中能收斂到其最優(yōu)解的次數(shù)占實(shí)驗(yàn)總次數(shù)的百分比。

表1仿真實(shí)驗(yàn)結(jié)果

處理機(jī)個數(shù)子任務(wù)個數(shù)

完成時間/s

文獻(xiàn)[3]算法文獻(xiàn)[4]算法PSO算法本文算法

收斂時的進(jìn)化代數(shù)

文獻(xiàn)[3]算法文獻(xiàn)[4]算法PSO算法本文算法

2528527127926539312529

250565543551538166131108125

1001548142914271416418339285323

2519318618817953463338

450457429428417194168135157

1001198113611391073516468323339

2515214113813473544952

850341297292281336217163212

1001106911923875727621538601

表2收斂到其已知最優(yōu)解的次數(shù)占進(jìn)化總次數(shù)的百分比%

各算法子任務(wù)個數(shù)25子任務(wù)個數(shù)50子任務(wù)個數(shù)100

文獻(xiàn)[3]算法876448

文獻(xiàn)[4]算法969281

PSO算法928967

本文算法1009996

由表1、2和算法的靜態(tài)性能曲線可以得出:

a)在任務(wù)數(shù)較多、處理機(jī)較多的情況下,PSO與本文QPSO算法的收斂速度比文獻(xiàn)[3]算法快很多,但與文獻(xiàn)[4]算法比較時,PSO算法的收斂速度明顯比文獻(xiàn)[4]算法快,本文QPSO算法則與文獻(xiàn)[4]算法相當(dāng);而在任務(wù)數(shù)少的情況下,除文獻(xiàn)[3]算法稍慢,其他算法相差不大。

b)本文QPSO算法能找到的最優(yōu)解比文獻(xiàn)[3,4]算法有明顯的提高,尤其是子任務(wù)數(shù)較多、處理機(jī)數(shù)較多時。

c)PSO與本文QPSO算法比較時,發(fā)現(xiàn)QPSO算法的收斂速度比PSO算法慢,但得到的最優(yōu)解比PSO算法好。

這是因?yàn)?首先,本文對問題的編碼能夠覆蓋整個解空間,相對來說文獻(xiàn)[3,4]的算法只能從一個相對較小的空間內(nèi)搜索;其次,本文采用了離散空間到連續(xù)空間的轉(zhuǎn)換過程,它不僅滿足了QPSO算法對待解問題的取值要求,還在一定程度上能更好地保護(hù)與遺傳優(yōu)良的解片段。另外,PSO算法收斂過快,而QPSO的量子搜索方式對傳統(tǒng)的PSO算法有了很大的改進(jìn),實(shí)驗(yàn)證明可防止早熟。

5結(jié)束語

基于DAG的并行任務(wù)調(diào)度問題是NP難問題,傳統(tǒng)的優(yōu)化算法很難求得全局最優(yōu)解,雖然已有人將遺傳算法應(yīng)用于此問題,但結(jié)果有待進(jìn)一步改善。本文給出了新的問題定義,對QPSO算法作出調(diào)整與改進(jìn),編碼表示采用了適合于任務(wù)調(diào)度問題的優(yōu)先規(guī)則與處理機(jī)分配相結(jié)合的形式,并將離散空間優(yōu)化問題轉(zhuǎn)換為連續(xù)空間優(yōu)化問題,使得QPSO有較好的搜索能力。最后通過仿真實(shí)驗(yàn)得到的一系列數(shù)據(jù),表明了本文的改進(jìn)QPSO算法比遺傳算法和PSO算法有更好的性能,并有理由認(rèn)為,合理的編碼表示與高效的搜索策略相結(jié)合是任務(wù)分配調(diào)度問題全局尋優(yōu)的有效途徑。

參考文獻(xiàn):

[1]

GRAYMR,putersandintractability:aguidetothetheoryofNP-completeness[M].NewYork:W.H.FreemanandCo.,1979.

[2]AHMADI,KWORKYK.Onparallelizingthemultiprocessorschedulingproblem[J].IEEETransonParallelandDistributedSystems,1999,10(4):414-432.

[3]HOUESH,ANSARIN,HONGRen.Ageneticalgorithmformultiprocessorscheduling[J].IEEETransonParallelandDistributedSyetems,1994,5(2):113-120.

[4]鐘求喜,謝濤,陳火旺.基于遺傳算法的任務(wù)分配與調(diào)度[J].計算機(jī)研究與發(fā)展,2000,37(10):1197-1203.

[5]張聰,馬義忠.異構(gòu)計算系統(tǒng)中基于遺傳算法的任務(wù)分配與調(diào)度[J].微電子學(xué)與計算機(jī),2004,21(6):74-78.

[6]KENNEDYJ,EBERHARTRC.Particleswarmoptimization[C]//ProcofIEEEInternationalConferenceonNeuralNetworks.Pisca-taway:IEEEPress,1995:1942-1948.

[7]SUNJun,FENGBin,XUWen-bo.Particleswarmoptimizationwithparticleshavingquantumbehavior[C]//ProcofCongressonEvolutionaryComputation.2004:325-331.

[8]SUNJun,XUWen-bo,FENGBin.Aglobalsearchstrategyofquantumbehavedparticleswarmoptimization[C]//ProcofIEEEConferenceonCyberneticsandIntelligentSystems.2004:111-116.