Wyniki wyszukiwania - BazTech

Ograniczanie wyników

1 Prace Wydziału Nawigacyjnego Akademii Morskiej w Gdyni

1 2008

Znaleziono wyników: 1

Liczba wyników na stronie

Wyniki wyszukiwania

Sortuj według:

Ogranicz wyniki do:

A Cross - Entropy Based Population Learning Algorithm for Discrete-Continuous Scheduling with Continuous Resource Discretisation

Jędrzejowicz P., Skakovski A.

Prace Wydziału Nawigacyjnego Akademii Morskiej w Gdyni

2008

Z. 22

45-52

A problem of scheduling nonpreemtable tasks on parallel identical machines under constraint on discrete resource and requiring, additionally, renewable continuous resource to minimize the schedule length is considered in the paper. A continuous resource is divisible continuously and is allocated to tasks from given intervals in amounts unknown in advance. Task processing rate depends on the allocated amount of the continuous resource. The considered problem can be solved in two steps. The first step involves generating all possible task schedules and second - finding an optimal schedule among all schedules with optimal continuous resource allocation. To eliminate time consuming optimal continuous resource allocation, a problem Teta Z with continuous resource discretisation is introduced. Because Teta Z is NP-hard a population-learning algorithm (PLA2) is proposed to tackle the problem. PLA2 belongs to the class of the population-based methods. Experiment results proved that PLA2 excels known algorithms for solving the considered problem.

W pracy został rozpatrzony problem dyskretno-ciągłego szeregowania niepodzielnych zadań na równoległych identycznych maszynach, mającego na celu minimalizację długości uszeregowania z ograniczeniami nałożonymi na zasób dyskretny i dodatkowy odnawialny zasób ciągły. Zasób ciągły, podzielny w sposób ciągły, jest przydzielany do zadań z określonych przedziałów w ilościach z góry nieznanych. Szybkość wykonania zadań zależy od przydzielonej ilości zasobu ciągłego. Rozpatrywany problem można rozwiązać dwuetapowo. W pierwszym etapie należy wygenerować wszystkie możliwe uszeregowania zadań na procesorach. Drugi etap polega na znalezieniu optymalnego uszeregowania wśród wszystkich uszeregowań z optymalnym przydziałem zasobu ciągłego. W celu wyeliminowania czasochłonnej procedury optymalnego przydziału zasobu ciągłego, rozpatrzony został problem Teta Z z dyskretyzacją zasobu ciągłego. Ponieważ Teta Z jest problemem obliczeniowo NP-trudnym, do rozwiązywania został zaproponowany algorytm uczenia populacji PLA2 należący do klasy algorytmów opartych na ewolucji populacji. Eksperymenty obliczeniowe udowodniły, że PLA2 znajduje lepsze rozwiązania niż inne znane algorytmy przeznaczone do rozwiązywania dyskretno-ciągłych problemów szeregowania.