下载文档原格式
文章编号：1006-3080(2022)05-0685-11DOI: 10.14135/ki.1006-3080.20210427005基于头脑风暴算法的多处理机组合生产批量调度问题王全武， 徐震浩， 顾幸生（华东理工大学能源化工过程智能制造教育部重点实验室，上海 200237）摘要：在生产调度领域中，受生产工艺等诸多因素的影响，往往每个生产过程都需要多台机器同时参与加工。
同时，待加工的工件数量较多，需要将每种类型的工件进行批量处理，以缩短生产周期。
本文在作业车间环境下，根据每个加工过程所参与机器的负荷，采用可变分批方案，提出了非混排多处理机组合生产批量调度模型，并结合头脑风暴优化算法，求解出最短加工时间。
提出了一种改进的头脑风暴优化算法，引入贪婪思想与动态讨论机制，讨论次数随着算法的迭代而自适应变化，将全局搜索与局部搜索相结合，加强了算法的搜索能力。
实验结果表明，改进的头脑风暴优化算法与基本的头脑风暴优化算法相比，求解效率更高，收敛速度更快。
关键词：多处理机组合生产；作业车间；批量调度；头脑风暴优化算法（BSO ）；讨论机制中图分类号：TP301文献标志码：A批量调度问题是指将大批量的工件分成若干个子批进行生产，以获得较短的生产时间。
这类优化问题由Reiter 等[1-2]提出并广泛应用，以提高生产效率。
Huang 等[3]构建了多目标等子批作业车间调度问题的模型，并提出了一种混合蚁群优化算法进行求解。
Andrzej 等[4]针对二阶段柔性作业车间问题，建立了二阶段柔性作业车间分批调度模型。
Juan [5]针对柔性作业车间环境下的批量分割和批量调度问题，提出了一种新颖的约束编程方法，可以兼顾批次分割和工件调度，适用于多种生产系统。
多处理机组合生产问题是指工件在每个生产阶段需要多台机器同时协同加工。
Drozdowski 等[6]对多处理机任务的调度问题进行了阐述，并进行了分类分析和研究。
Jiang 等[7]对多目标分布式混合流水车间组合生产批量调度问题进行了研究。
Hadoop中的多任务并行计算与资源调度策略研究随着大数据时代的到来，数据处理和分析的需求也变得越来越迫切。
在这样的背景下，Hadoop作为一个开源的分布式计算框架应运而生，成为了处理大规模数据的首选工具。
Hadoop的核心思想是将一个大任务划分成多个小任务，然后分配给多台计算机并行处理。
本文将探讨Hadoop中的多任务并行计算以及资源调度策略的研究。
首先，多任务并行计算是Hadoop的核心特性之一。
在Hadoop中，一个大任务被划分成多个小任务，每个小任务可以独立地在不同的计算节点上执行。
这种任务划分的方式使得计算能够以并行的方式进行，大大提高了计算效率。
同时，Hadoop还提供了任务的容错机制，即当某个计算节点出现故障时，系统可以自动将任务重新分配给其他节点，保证任务的顺利执行。
这种多任务并行计算的方式使得Hadoop在处理大规模数据时具有很高的可扩展性和容错性。
其次，资源调度策略在Hadoop中起到了至关重要的作用。
Hadoop采用了一种分布式资源管理器——YARN（Yet Another Resource Negotiator），负责对计算节点的资源进行统一管理和调度。
YARN通过将计算资源划分为多个容器，并动态分配给不同的任务来实现资源的合理调度。
在资源调度过程中，YARN会根据任务的优先级、任务所需的资源以及集群的负载情况等因素进行综合考虑，以达到最优的资源利用效果。
此外，YARN还支持资源的预留和共享，使得不同任务之间可以共享计算资源，提高了系统的整体利用率。
针对Hadoop中的多任务并行计算和资源调度策略，研究者们进行了大量的探索和优化。
其中，一项重要的研究工作是任务调度算法的设计。
传统的任务调度算法主要基于负载均衡的原则，即将任务均匀地分配给各个计算节点，以保证集群中的计算资源得到充分利用。
然而，由于任务的特性和计算节点的异构性，简单的负载均衡策略可能无法达到最优的资源利用效果。
湖南涉外经济学院计算机科学与技术专业《算法设计与分析》课程多机调度问题实验报告班级：计科 1 0 0 2学号：***************姓名：教师：成绩：2012年5月【实验目的】1 掌握贪心算法2 利用贪心算法解决多机调度问题3 分析实验结果，是否能将机器处理时间最短化【系统环境】Windows 7 平台【实验工具】VC++6.0英文企业版【问题描述】描述：设有n个独立的作业{1,2，…，n}，由m台相同的机器进行加工处理。
作业i所需的处理时间为t。
现约定，任何作业可以在任何一台机器上加工处理，但未完工前不允许中断处理。
任何作业不能拆分成更小的子作业。
多机调度问题要求给出一种作业调度方案，使所给的n个作业在尽可能短的时间内由m台机器加工处理完成。
例：设7个独立作业{1,2,3,4,5,6,7}有3台机器m1，m2，m3来加工处理。
各作业所需的处理时间分别为{2,14,4,16,6,5,3}。
现要求用贪心算法给出最优解。
【实验原理】贪心算法的应用，该算法总是做出在当前看来是最好的选择。
也就是说，不从整体最优上加以考虑，他所做出的仅是在某种意义上的局部最优解。
贪心算法不是对所有问题都能得到整体最优解，但对范围相当广泛的许多问题他能产生整体最优解或者是整体最优解的近似解。
贪心法基本策略：1、分析问题性质，确定适当的贪心选择标准；2、按贪心选择标准对n个输入进行排序，初始化部分解；3、按序每次输入一个量，如果这个输入和当前已构成在这种选择标准下的部分解加在一起不能产生一个可行解，则此输入不能加入到部分解中，否则形成新的部分解；4、继续处理下一输入，直至n个输入处理完毕，最终的部分解即为此问题的最优解。
【源程序代码】#include<stdio.h>#define N 10typedef struct node{int ID,time;//作业所需时间}jobnode;typedef struct Node{int ID,avail;//ID 机器编号 avail 每次作业的初始时间}manode;manode machine[N];jobnode job[N];/*找出下个作业执行机器*/manode* Find_min(manode a[],int m){manode* temp=&a[0];for(int i=1;i<m;i++){if(a[i].avail<temp->avail)temp=&a[i];}return temp;}/*对作业时间由大到小进行排序*/void Sort(jobnode t[],int n){jobnode temp;for(int i=0;i<n-1;i++)for(int j=n-1;j>i;j--){if(job[j].time>job[j-1].time){temp=job[j];job[j]=job[j-1];job[j-1]=temp;}}}void main(){int n,m,temp,i;manode* ma;printf("输入作业数目(作业编号按输入顺序处理)\n");scanf("%d",&n);printf("输入相应作业所需处理时间:\n");for( i=0;i<n;i++){scanf("%d",&job[i].time);job[i].ID=i+1;}printf("输入机器数目(机器编号按输入顺序处理)\n");scanf("%d",&m);for( i=0;i<m;i++)//给机器进行编号并初始化{machine[i].ID=i+1;machine[i].avail=0;}putchar('\n');if(n<=m){printf("为每个作业分配一台机器,可完成任务!\n");return;}Sort(job,n);for( i=0;i<n;i++){ma=Find_min(machine,m);printf("将机器: M%d 从 %d -----> %d 的时间段分配给作业: %d\n",ma->ID,ma->avail,ma->avail+job[i].time,job[i].ID); ma->avail+=job[i].time;}temp=machine[0].avail;for( i=1;i<m;i++){if(machine[i].avail>temp)temp=machine[i].avail;}putchar('\n');printf("该批作业处理完成所需加工时间为: %d\n",temp);while (1);}【实验结果】1.输入作业数目2.输入每个作业所需要的处理时间3.输入机器数目4.输出结果。
含批处理和多订单任务的配送中心调度问题冉文学;李子悦;焦香萍【摘要】文章研究一个拥有3个阶段的配送中心调度的问题.第1与第3个阶段具有批处理和非批处理机制,第2个阶段是非批处理机制,每个阶段之间没有缓冲区.此配送中心有到货订单和配送订单等多订单任务,均历经3个阶段并在第1和第3阶段由不同的物料搬运车进行运送.以第2阶段中订单处理的最短时间为目标函数,对此问题构建0-1混合整数规划模型,并提出基于设备状态变化的协同优化算法,动态建立订单在配送中心3个阶段的加工路线,结果表明订单的自动分拣效率得到了一定的提高.【期刊名称】《物流科技》【年(卷),期】2019(042)003【总页数】7页(P25-31)【关键词】批处理;订单分拣;混合整数规划模型;协同算法【作者】冉文学;李子悦;焦香萍【作者单位】云南财经大学物流学院, 云南昆明 650221;云南财经大学物流学院, 云南昆明 650221;云南财经大学物流学院, 云南昆明 650221【正文语种】中文【中图分类】F252.14随着商业的飞速发展，尤其是在电子商务环境下，订单具有小批量、高频次等特征，所以有必要对配送中心的订单作业过程进行优化，提高拣选效率。
而订单分拣是配送中心作业的重要环节之一，传统的仓储操作中，订单分拣是最耗费时间和劳力的一项工作，成本约占总仓储费用的55%[1]。
作为物流配送中心的重要组成部分，订单分拣是整个订单处理中最重要的环节，对整个物流配送中心的效率产生直接的影响。
所以，如何对配送中心分拣系统进行优化一直是第三方物流企业非常关注的问题。
1 国内外文献综述1.1 订单分批处理国内外学者对订单拣选效率优化方法的研究主要集中在拣选路径、订单分批和分区拣选等方面，但Peterson[2]认为订单分批策略更有利于拣选效率的提升。
1990年Ackerman[3]首次提出了订单分批的概念，之后陆续出现了相关研究。
Bukchin[4]从最小化订单延迟时间的角度决定订单分批的开始时间。
多处理器操作系统管理和协调多个处理器的工作多处理器操作系统（Multiprocessor Operating System）是指能够有效管理和协调多个处理器（或多核）并发执行任务的操作系统。
随着计算机硬件技术的不断发展，多处理器系统在科学计算、服务器、云计算等领域得到广泛应用。
在多处理器操作系统中，如何实现任务的并发执行、共享资源的合理利用以及任务调度的优化，是一个重要的挑战。
本文将从进程调度、内存管理和同步机制三个方面来介绍多处理器操作系统的管理和协调工作。
一、进程调度在多处理器操作系统中，进程调度的目标是使所有处理器尽可能高效地执行任务，并确保任务的平衡性和负载均衡。
为了实现这一目标，多处理器操作系统采用了不同的调度算法，例如最短作业优先（SJF）、时间片轮转（Round Robin）和多级反馈队列（Multilevel Feedback Queue）等。
这些调度算法根据任务的优先级、执行时间和资源使用情况等因素，决定任务在处理器上的顺序执行。
在多处理器操作系统中，不同的进程可能需要共享同一份数据或资源。
为了确保数据的一致性和正确性，多处理器操作系统引入了同步机制，例如互斥锁、信号量和条件变量等。
这些同步机制能够确保不同进程之间的正确通信和协调，并避免出现资源竞争和死锁等问题。
三、内存管理在多处理器操作系统中，内存管理是一个重要的任务。
多处理器系统通常具有多个存储单元，如缓存、主内存和外存等。
为了高效利用这些存储单元，并防止数据的冲突和不一致，多处理器操作系统需要实现适当的内存管理机制。
多处理器操作系统采用了分布式内存管理和共享内存管理两种方式。
在分布式内存管理中，每个处理器分配和管理自己的内存空间，以提高内存访问速度和并行度。
而在共享内存管理中，多个处理器共享同一块内存区域，以提高数据的共享和通信效率。
多处理器操作系统通过合理地组织内存空间和地址映射机制，来实现对内存的高效管理和利用。
总结多处理器操作系统通过进程调度、内存管理和同步机制等手段来管理和协调多个处理器的工作。
并行计算中任务调度算法研究随着科技的飞速发展，计算机技术的领域也在迅速地扩大。
并行计算作为一种新兴的计算模式，吸引了大量技术人员的关注。
在并行计算中，任务调度算法是一项重要的研究方向，它涉及到如何将任务分配到不同的处理器上，以实现计算机集群的高效率运转。
本文将从实际应用场景出发，分析常用的任务调度算法，并探讨它们的优缺点。
一、并行计算中任务调度算法的应用场景并行计算广泛应用于计算机集群、分布式系统、云计算、大数据等领域。
以下是一些实际应用场景。
1.计算机集群在计算机集群中，利用并行计算能够使计算机之间互相配合，以加速任务的执行。
例如科学计算、人工智能等方面的研究都需要高性能的计算机集群支持。
2.分布式系统分布式系统中的任务包含多个子任务，为了提升整个系统的处理速度和效率，需要将任务分发到多个处理器中执行。
3.云计算云计算中的数据处理和存储需要大量的计算资源，通过并行计算可以充分利用多个计算资源来提高计算速度和效率。
4.大数据在处理大规模数据的时候，传统的单机架构很容易出现性能瓶颈，而采用并行计算能够充分利用集群中的计算资源，提高数据处理的速度和效率。
二、常用的任务调度算法及其特点1.静态任务调度算法静态任务调度算法根据任务的先后顺序，事先确定任务的执行顺序和分配方式，任务调度一旦完成后就不能修改。
常用的静态任务调度算法包括模块化划分法、贪心法以及遗传算法等。
模块化划分法采用分治的思想将问题划分为若干模块，每个模块对应一个任务，根据任务之间的相似性进行任务的调度。
但是，这种算法在所有情况下均不能保证最优解。
贪心算法利用近似方法以最优化策略为目标，给定某种可行解后，通过逐步扩张来构造出更优的解。
但是，这种算法有时候会陷入局部最优解中。
遗传算法最开始用于解决生物遗传问题，之后逐渐应用于解决复杂的优化问题。
遗传算法通过选择、交叉、变异等基因操作来不断地演化种群，进而找到最佳方案。
但是，这种算法的计算复杂度相对较大，所需的时间和空间资源也较多。
操作系统的多处理器调度与同步随着计算机技术的不断发展，多处理器系统已经成为现代计算机的核心组成部分之一。
在多处理器系统中，操作系统需要负责管理和调度多个处理器的工作任务，同时确保它们之间的同步协调，以实现高效的并行处理。
本文将探讨操作系统中多处理器调度与同步的相关问题。
一、多处理器调度多处理器调度是指在多处理器系统中，操作系统对多个处理器的任务进行调度和管理的过程。
其目标是实现任务的合理分配，提高系统的并发执行能力和整体性能。
1. 多处理器调度算法在多处理器调度中，存在多种调度算法可以选择。
常见的多处理器调度算法包括：（1）时间片轮转调度：每个处理器以轮转的方式轮流执行就绪队列中的任务，时间片用完后切换到下一个任务。
（2）最短剩余时间优先调度：根据任务的剩余执行时间确定优先级，执行剩余时间最短的任务。
（3）优先级调度：为每个任务分配优先级，根据优先级高低确定执行顺序。
2. 多处理器负载均衡在多处理器系统中，负载均衡是一项重要的任务。
它旨在实现各个处理器之间的负载均衡，避免出现某个处理器负载过高而导致性能下降的情况。
负载均衡的策略可以根据具体情况选择，例如基于任务的负载均衡、基于数据的负载均衡等。
二、多处理器同步多处理器系统中，不同处理器之间的并发执行可能导致数据访问冲突或资源竞争问题。
为了保证数据的一致性，操作系统需要提供相应的同步机制来保证多个处理器之间的有序操作。
1. 互斥锁互斥锁是最常用的同步机制之一。
通过引入互斥锁，只有持有锁的处理器才能访问共享资源，其他处理器需要等待锁的释放。
这样可以确保共享资源在同一时间只能被一个处理器操作，避免数据的不一致性。
2. 信号量信号量是另一种常见的同步机制。
它可以用来控制对共享资源的访问以及进程之间的同步。
通过对信号量进行操作，可以实现多个处理器之间的互斥和条件等待。
3. 屏障屏障是一种同步机制，用于等待所有处理器都到达某个点再进行下一步操作。
它可以保证多个处理器在执行某个具体任务之前都达到同一状态，避免出现不一致的情况。
