.png){kind=icon}
返回
Machine learning and data analysis method for predicting an efficient algorithm for heterogeneous multicore scheduling
.png){kind=icon}
PRE
AI
DOI：10.1016/j.cor.2026.107478.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
我们提出一种机器学习方法，用于预测在具有优先级约束的混合多处理器系统上调度任务的算法。该预测基于数据分析，旨在识别输入中的影响因素。每个任务具有处理器依赖的处理时间，目标是为构建一个可行的非抢占式调度方案，以最小化完工时间。我们定义了129个特征，并在使用可控DAG和处理时间生成器生成的合成实例上，对七种当前最先进的调度启发式算法进行了基准测试。收集的性能数据随后用于训练多输出回归模型，以预测每种启发式算法在新实例上的完工时间和调度运行时间。特征贡献分析表明，57个特征占模型累计重要性的94%。运行时，自动选择最小化这两个预测指标加权组合的启发式算法。实验结果表明，结合高效预测模型和系统化实例生成的方法，与仅依赖单一启发式算法相比，显著提高了调度性能。额外实验表明，尽管计算工作量显著增加，元启发式优化仅带来微小的改进。
Keyword:
Machine learning
Data analysis
Hybrid multiprocessor scheduling
Makespan minimization
期刊
C
IF:
4.3
论文数:
268
被引数:
0
机构
引用论文
.png){kind=icon}
Scheduling Parallel Task Graphs on (Almost) Homogeneous Multicluster Platforms在 (几乎) 同构的多集群平台上调度并行任务图
OAAI
OAAI分享收藏
查看更多内容