图共 6个 表共 6个

    • 图  1  任务示例图

      Figure 1. 

    • 图  2  扩展的任务示例图

      Figure 2. 

    • 图  3  任务映射时序图

      Figure 3. 

    • 图  4  DTCSO算法流程图

      Figure 4. 

    • 图  5  算法性能对比图

      Figure 5. 

    • 图  6  DTCSO算法与最优解对比图

      Figure 6. 

    • 算法1 双仲裁映射判决算法
      输入：TA, PLA, t, Tm
      输出：有效的任务映射结果DAM(T)
      (1) if (( ${T_m} \cdot {t_a} \le t \le {T_m} \cdot {t_s}$) and ( ${T_m} \cdot s = {\rm IDLE}\parallel {\rm WAIT}$)) then
      　 enQueue (Q, Tm)
      (2) 　Select Tm from Q where ${T_m} \cdot p$ is the highest
      (3) 　 if (PLA=NULL) then
      (4) 　temp P·taskid $ \leftarrow {T_n} \cdot \rm{taskid}$;
      temp P·pos $ \leftarrow {[(0},{0),(}{T_n} \cdot w,{T_n} \cdot h{)]}$;
      (5) 　 ${T_n} \cdot s \leftarrow {\rm EXE}$;TA [i+1][0] $ \leftarrow {T_n} \cdot w$; TA [i+1][1] $ \leftarrow {T_n} \cdot h$;
      (6) 　insert node tempP into PLA; else
      (7) 　DAM(Tj, d); end if
      (8) end if

      表 1  双仲裁映射判决算法

    • 实验序列号 考虑的因子
      A B C D E F G
      1 1 0 0 1 1 0 0
      2 1 1 1 0 0 0 0
      3 0 0 1 0 1 1 0
      4 0 1 0 0 1 0 1
      5 1 1 1 1 1 1 1
      6 1 0 0 0 0 1 1
      7 0 0 1 1 0 0 1
      8 0 1 0 1 0 1 0

      表 2  L8(27)正交阵列

    • T0 T1 T2 T3 T4 T5 T6
      P0 T0/P0 T1/P0 T2/P0 T3/P0 T4/P0 T5/P0 T6/P0
      P1 T0/P1 T1/P1 T2/P1 T3/P1 T4/P1 T5/P1 T6/P1
      P2 T0/P2 T1/P2 T2/P2 T3/P2 T4/P2 T5/P2 T6/P2
      P3 T0/P3 T1/P3 T2/P3 T3/P3 T4/P3 T5/P3 T6/P3
      P4 T0/P4 T1/P4 T2/P4 T3/P4 T4/P4 T5/P4 T6/P4
      P5 T0/P5 T1/P5 T2/P5 T3/P5 T4/P5 T5/P5 T6/P5
      P6 T0/P6 T1/P6 T2/P6 T3/P6 T4/P6 T5/P6 T6/P6
      P7 T0/P7 T1/P7 T2/P7 T3/P7 T4/P7 T5/P7 T6/P7

      表 3  预估计算时间矩阵

    • 算法2 田口-猫群优化算法
      输入：猫的初始位置，初始速度，MR, SMP, SRD, CDC, SPC
      输出：最优的任务调度结果
      (1) if (seeking flag← 1) //按照搜寻模式进行
      (2) 　生成第k只猫的y (y=SMP) 份副本Zqd (1 ≤ q ≤ Y, 1 ≤ d ≤ D) ;　　 //D是解空间的维数
      (3) 　每当CDC对Zqd进行加或减的变异操作就随机改变猫的维度，　　 确定被改变的猫的适应度；
      (4) 　从Y中随机选取候选值后发现并替换猫的最佳位置；else
      (5) 　选取两级田口正交阵列 ${L_n}{(}{{2}^{n - {1}}}{),}\forall n \ge N + {1}$; //N表示任务数量
      (6) 　根据式(2)生成两组速度并根据任务数量N确定任务调度的维数；
      (7) 　根据正交阵列 ${L_n}{(}{{2}^{n - {1}}}{)}$计算n次实验的适应度值；
      (8)　 end if 　选取当前最优个体 ${x_l}$和最佳位置 ${x_p}$；
      (9)　 if ( ${x_l} > {x_g}$)　 ${x_l} = {x_g}$; ${x_p} = {G_b}$; //当前最佳位置即全局最佳位置
      (10) 　根据式(4)，式(5)计算并更新当前速度和位置；
      (11) 　 if (达到最终条件) 输出最佳的任务调度顺序；
      (12) 　 else 重新计算每只猫的适应度值；end if
      (13) end if

      表 4  田口-猫群优化算法

    • 参数 值
      猫的数量 100
      最大迭代次数 1000
      权重w 0.5
      c1 1
      r1 [0,1]
      MR 0.5
      SMP 3
      N {10,20,30,40,50,60,70,80,90,100,200,300,400,500}
      den {0.2,0.5,0.8}
      fat {0.1,0.4,0.8}
      reg {0.2,0.5,0.8}
      jump {1,2,4}
      CCR {0.1,0.2,0.5,0.8,1.0,2.0,5.0,8.0,10.0}
      $\beta $ {0.1,0.2,0.5,1.0,2.0}
      Q {2,4,8,16,32}

      表 5  DTCSO算法参数设置

    • HGAAP CSO HPSO-GA ACO-GA
      DTCSO算法 更好 100 98.6 93.62 86.7
      相同 0 0 0.08 0.6
      更差 0 1.4 6.3 12.7

      表 6  调度算法优良比较(%)