异构计算系统上基于能量的调度的量子启发式超启发式算法

异构计算系统是现代高性能计算集群的主要基础架构，它们被用于处理复杂科学和商业应用程序。随着系统的规模扩展，处理器的数量可能达到数十万。在高性能集群中，高能耗问题越来越成为一个突出的问题。异构多处理器或多计算机系统(HMCSs)动态变化的电压特性使得功率与性能之间的权衡优化成为一个非常重要的问题。本文将这个问题定义为能量受限下的性能优化以及性能受限下的能量优化问题。在这样的系统中，具有先序约束的并行应用程序的调度问题是一个NP-HARD问题，即非确定性多项式时间内的难题。 为了解决这一问题，研究人员提出了量子启发式超启发式算法。超启发式算法是一种相对较新的方法，它不是针对单一特定问题的解决方案，而是提供了一系列可以用来产生各种启发式算法框架的方法。这种方法可以应用于多种不同的问题，特别是在复杂、动态变化和多目标优化环境中。在本文中，超启发式框架被引入异构计算系统中的能量感知调度问题中。 同时，本文还提出了一种基于量子启发的高级学习策略，用来提升该框架的性能。量子启发算法受到量子计算原理的启发，它们在处理并行性、探索和利用搜索空间方面具有潜力。在异构计算系统中，量子启发策略可以应用于优化任务调度算法，以减少能耗并提高系统性能。 为了解决NP-HARD问题，本文还设计了一种快速解决方案评估技术，用以减少每次迭代步骤中的计算负担。这种技术可以快速评估某个解决方案的质量，从而提高算法的搜索速度并改善收敛性能。实验结果表明，提出的快速解决方案评估技术能够将算法的平均搜索速度提高38%，而且所提出的算法通常展现出出色的收敛性能。 此外，本文还探讨了能量感知调度问题在异构计算系统中的应用。能量感知调度不仅关注完成任务的性能，而且也关注完成任务所消耗的能量。在并行应用的调度中，能量感知调度需要考虑到任务之间的先序约束，这些任务通常可以用有向无环图（DAG）来表示。在这种情况下，任务调度的目的是在满足能量限制的同时优化性能，或者在满足性能限制的同时最小化能量消耗。 本文提出的量子启发式超启发式算法通过结合量子启发的学习策略和高级的学习机制，能够有效处理这种高复杂性的调度问题。算法的设计和实验分析都表明，该算法在解决这类问题时能够表现出优良的性能。 通过引入量子概念，算法能够在多个解决方案之间有效地进行搜索和优化，从而找到满足性能和能量约束的最优或近似最优解。这种算法能够在较短的时间内提供满意的解决方案，这对于需要快速响应的高性能计算场景特别重要。 本文所提出的量子启发式超启发式算法在异构计算系统的能量感知调度问题上具有创新性和实用性，为解决这一领域的高能耗和高复杂性问题提供了新的思路和方法。未来的研究工作可以进一步优化该算法，并将其应用于更广泛的高性能计算场景中。