ПЛАНУВАННЯ ЗАДАЧ У БАГАТОПРОЦЕСОРНИХ СИСТЕМАХ НА ОСНОВІ ГІБРИДНИХ МЕТОДІВ
DOI:
https://doi.org/10.26906/SUNZ.2026.2.040Ключові слова:
планування задач, багатопроцесорні системи, гібридні методи, навчання з підкріпленням, проксимальна оптимізація політики, критичний шлях на процесорі, балансування навантаженняАнотація
Стрімкий розвиток багатопроцесорних та розподілених обчислювальних систем обумовлює необхідність підвищення ефективності планування задач у гетерогенних середовищах. Об’єктом дослідження є процес планування задач у багатопроцесорних системах з неоднорідними обчислювальними ресурсами. Метою роботи є підвищення ефективності формування розкладу шляхом розробки гібридного підходу, що поєднує класичні евристичні алгоритми та методи навчання з підкріпленням. У роботі проведено аналіз існуючих методів планування задач, включаючи спискові евристики та підходи на основі машинного навчання. Запропоновано функціональну модель планування, яка інтегрує алгоритми HEFT і CPOP з агентом навчання з підкріпленням, реалізованим за схемою Actor–Critic із використанням алгоритму Proximal Policy Optimization. Розроблено математичну модель середовища планування, що враховує структуру DAG, матрицю очікуваного часу виконання та показники балансування навантаження. Для експериментальної перевірки створено потокову фабрику генерації різноманітних сценаріїв та реалізовано векторизоване середовище навчання. Результати експериментального дослідження показали, що запропоновані гібридні методи забезпечують стабільне зменшення makespan до 5-7% та 13-15% та середнього часу завершення задач порівняно з базовими евристиками, при контрольованому впливі на показники балансування навантаження. Отримані результати підтверджують можливість керованого компромісу між мінімізацією часу виконання та рівномірністю використання ресурсів. Наукова новизна роботи полягає у розробці узагальненої функціональної моделі гібридного планування задач, що забезпечує адаптивне коригування евристичних алгоритмів на основі навчання з підкріпленням у гетерогенному багатопроцесорному середовищі. Практична значущість полягає у можливості застосування запропонованого підходу в системах високопродуктивних, хмарних та розподілених обчислень для підвищення продуктивності та ефективності використання ресурсів.Завантажити
Посилання
1. Shaima Rahim et al. A survey of machine learning-driven task scheduling approaches for multiprocessor systems. Journal of Systems Architecture. 2025. Vol. 171. DOI: https://doi.org/10.1016/j.sysarc.2025.103628
2. Xu Jian et al. Real-time scheduling of parallel tasks with tight deadlines. Journal of Systems Architecture. 2020. Vol. 108. DOI: https://doi.org/10.1016/j.sysarc.2020.101742
3. Wenfan Zhang, Haijiao Ou. Reinforcement learning based multi objective task scheduling for energy efficient and cost effective cloud edge computing. Scientific Reports. 2025. DOI: https://doi.org/10.1038/s41598-025-25666-1
4. Пасічник М. Ю., Зайцев В. Г. Методи диспетчеризації завдань у системах реального часу. Комп’ютерно-інтегровані технології: освіта, наука, виробництво. 2024. №56. DOI: https://doi.org/10.36910/6775-2524-0560-2024-56-04
5. Gaurav Agarwal, et al. Multiprocessor task scheduling using multi-objective hybrid genetic Algorithm in Fog–cloud computing. Knowledge-Based Systems. 2023. Volume 272. DOI: https://doi.org/10.1016/j.knosys.2023.110563
6. Kusay Hameed Al-Salami, Zaid Taha Sawadi. Task Scheduling for Multiprocessor Systems Using Queuing Theory. Computer Engineering and Intelligent Systems. 2016. Vol. 7, No. 2. URL: https://www.iiste.org/Journals/index.php/CEIS/article/view/28602
7. Зайцев В. Г., Цибаєв Є. І. Оцінка часових характеристик задач в багатопроцесорних системах реального часу з використанням сіток Петрі. Управління розвитком складних систем. 2020. № 42. С. 43–50. DOI: https://doi.org/10.32347/2412-9933.2020.42.43-50
8. Wafa Hantom et al. A Survey on Scheduling Algorithms in Real-Time Systems. International Journal of Computer Science and Network Security. 2022. Vol. 22, No. 4. DOI: https://doi.org/10.22937/IJCSNS.2022.22.4.80
9. Люлька А. В. Методи та засоби планування обчислювальних завдань в комп’ютерній системі: робота на здобуття кваліфікаційного ступеня магістра: спец. 123 - комп’ютерна інженерія. Тернопільський національний технічний університет імені Івана Пулюя. 2024. 74 с. URL: https://elartu.tntu.edu.ua/handle/lib/48105
10. Голубничий Д. Ю., Головченко О. С. Застосування алгоритмів рангового підходу при плануванні розподілу задач в багатопроцесорних системах Радіотехніка. 2024. Вип. 219. С. 16–27. DOI: https://doi.org/10.30837/rt.2024.4.219.02
11. Станко П., Охремчук О., Саламатіна Д., Свердлова Д. Оптимізація планування завдань в розподілених обчислювальних системах реального часу. Наукоємні технології. 2023. №4(60). С. 386–393. DOI: https://doi.org/10.18372/2310-5461.60.18267
12. Головченко О. С. Методи планування розподілу задач в багатопроцесорних системах : поясн. записка до кваліф. роботи здобувача вищої освіти на другому (магістерському) рівні, спец. 123 Комп'ютерна інженерія. М-во освіти і науки України, Харків. нац. ун-т радіоелектроніки. 2025. 87 с. URL: https://openarchive.nure.ua/handle/document/32427
13. Yoni Birman et al. Hierarchical Deep Reinforcement Learning Approach for Multi-Objective Scheduling with Varying Queue Sizes. arXiv. 2020. DOI: https://doi.org/10.48550/arXiv.2007.09256
14. Yihong Li et al. Task Placement and Resource Allocation for Edge Machine Learning: A GNN-based Multi-Agent Reinforcement Learning Paradigm. arXiv. 2023. DOI: https://doi.org/10.48550/arXiv.2302.00571
15. Junyoung Park, et al. ScheduleNet: Learn to solve multi-agent scheduling problems with reinforcement learning. arXiv. 2021. DOI: https://doi.org/10.48550/arXiv.2106.03051
16. Zheng Xu, et al. Enhancing Kubernetes Automated Scheduling with Deep Learning and Reinforcement Techniques for Large-Scale Cloud Computing Optimization. arXiv. 2024. DOI: https://doi.org/10.48550/arXiv.2403.07905
17. Xiao Fang Li. Simulation on Task Scheduling for Multiprocessors Based on Improved Neural Network. Applied Mechanics and Materials. 2014. Vol. 513-–517. P. 2293–2296. DOI: https://doi.org/10.4028/www.scientific.net/AMM.513-517.2293
18. Олександренко М. А. Система для моделювання багатопроцесорних алгоритмів планування : пояснювальна записка до кваліфікаційної роботи здобувача вищої освіти на першому (бакалаврському) рівні, спеціальність 123 Комп’ютерна інженерія. М-во освіти і науки України, Харків. нац. ун-т радіоелектроніки. 2025. 55 с. DOI: https://openarchive.nure.ua/handle/document/32703
Завантаження
Опубліковано
Номер
Розділ
Ліцензія
Авторське право (c) 2026 Serhii Bondarenko, Vitalii Martovytskyi, Nataliia Bolohova, Volodymyr Rykun
Ця робота ліцензується відповідно до ліцензії Creative Commons Attribution-NonCommercial 4.0 International License.
