Scheduling calculations for a multiprocessor system in real time

Cover Page

Cite item

Full Text

Open Access Open Access
Restricted Access Access granted
Restricted Access Subscription Access

Abstract

The problem of scheduling computations in a multiprocessor system is considered for the case when, at some time instants, requests for the execution of job packages with known characteristics are received. Interrupts and switching from one processor to another are allowed. In the first formulation, the composition of all complexes and the characteristics of tasks are known in advance. In the second setting, this information becomes known only at the time of each request. It is required to determine whether there is an admissible schedule for the total set of jobs and build it in case of a positive answer. A setting is studied in which, in addition to processors, there is a non-renewable resource. A polynomial algorithm for solving the problem is developed, based on the construction of a network flow model and the search for the maximum flow.

Full Text

Restricted Access

About the authors

M. G. Furugyan

Federal Research Center “Computer Science and Control” of the Russian Academy of Sciences

Author for correspondence.
Email: rtsccas@yandex.ru
Russian Federation, Moscow

References

  1. Танаев В. С., Гордон В. С., Шафранский Я. М. Теория расписаний. Одностадийные системы. М.: Наука, 1984.
  2. Brucker P. Scheduling Algorithms. Heidelberg: Springer, 2007.
  3. Лазарев А. А. Теория расписаний. Оценка абсолютной погрешности и схема приближенного решения задач теории расписаний. М.: МФТИ, 2008.
  4. Горский М. А., Мищенко А. В., Нестерович Л. Г., Халиков М. А. Некоторые модификации целочисленных оптимизационных задач с учетом неопределенности и риска // Изв. РАН. ТиСУ. 2022. № 5. С. 106—117.
  5. Мищенко А. В., Кошелев П. С. Оптимизация управления работами логистического проекта в условиях неопределенности // Изв. РАН. ТиСУ. 2021. № 4. С. 123—134.
  6. Глонина А. Б., Балашов В. В. О корректности моделирования модульных вычислительных систем реального времени с помощью сетей временных автоматов // Моделирование и анализ информационных систем. 2018. Т. 25. № 2. С. 174—192.
  7. Глонина А. Б. Обобщенная модель функционирования модульных вычислительных систем реального времени для проверки допустимости конфигураций таких систем // Вестн. ЮУрГУ. Сер. Вычисл. математика и информатика. 2017. Т. 6. № 4. С. 43—59.
  8. Глонина А. Б. Инструментальная система проверки выполнения ограничений реального времени для конфигураций модульных вычислительных систем // Вестн. МГУ. Сер. 15. Вычисл. математика и кибернетика. 2020. № 3. С. 16—29.
  9. Алифанов Д. В., Лебедев В. Н., Цурков В. И. Оптимизация расписаний с логическими условиями предшествования // Изв. РАН. ТиСУ. 2009. № 6. С. 88—93.
  10. Миронов А. А., Цурков В. И. Минимакс в моделях транспортного типа с интегральными ограничениями // Изв. РАН. ТиСУ. 2003. № 4. С. 69—81.
  11. Миронов А. А., Цурков В. И. Минимакс при нелинейных транспортных ограничениях // ДАН. 2001. Т. 381. № 3. С. 305—308.
  12. Филлипс Д., Гарсиа-Диас А. Методы анализа сетей. М.: Мир, 1984.
  13. Давыдов Э. Г. Исследование операций. М.: Высш. шк., 1990.
  14. Фуругян М. Г. Планирование вычислений в многопроцессорных системах с несколькими типами дополнительных ресурсов и произвольными процессорами // Вестн. МГУ. Сер. 15. Вычисл. математика и кибернетика. 1917. № 3. С. 38—45.
  15. Yao X., Almatooq N., Askin R. G., Gruber G. Capacity Planning and Production Scheduling Integration: Improving Operational Efficiency Via Detailed Modelling // Intern. J. Production Research. Published Online. 2022. V. 60. No. 1.
  16. Missbauer H., Uzsoy R. Order Release in Production Planning and Control Systems: Challenges and Opportunities // Intern. J. Production Research. 2022. V. 60. No. 1.
  17. Wang Y., Geunes J., Nie X. Optimising Inventory Placement in a Two-echelon Distribution System with Fulfillment-time-dependent Demand // Intern. J. Production Research. 2022. V. 60. No. 1.
  18. Gorman M.F., Conway D. G. ATtutorial of Integrating Duality and Branch and Bound in Earliness-tardiness Scheduling with Idle Insertion Time Problems // Intern. J. Production Research. 2018. V. 56. No. 1-2.
  19. Graves S. C. How to Think About Planned Lead Times // Intern. J. Production Research. 2022. V. 60. No. 1.
  20. Thomasson O., Battarra M., Erdoğan G., Laporte G. Scheduling Twin Robots in a Palletising Problem // Intern. J. Production Research. 2018. V. 56. No. 1-2.
  21. Кормен Т., Лейзерсон Ч., Ривест Р., Штайн К. Алгоритмы: построение и анализ. М.: Вильямс, 2005.

Supplementary files

Supplementary Files
Action
1. JATS XML
Download
2. Figure: G-flow network for finding a feasible schedule

Download (27KB)
Indexing metadata

Copyright (c) 2024 Russian Academy of Sciences

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».