Efficient task partitioning plays a crucial role in achieving high performance at multiprocessor platforms. This paper addresses the problem of energy-aware static partitioning of periodic realtime tasks on heterogeneous multiprocessor platforms. A Particle Swarm Optimization variant based on Min-min technique for task partitioning is proposed. The proposed approach aims to minimize the overall energy consumption, meanwhile avoid deadline violations. An energy-aware cost function is proposed to be considered in the proposed approach. Extensive simulations and comparisons are conducted in order to validate the effectiveness of the proposed technique. The achieved results demonstrate that the proposed partitioning scheme significantly surpasses previous approaches in terms of both number of iterations and energy savings.
نمونه چکیده ترجمه متن فارسی
چکیده
تقسیم وظایف کارآمد نقش بحرانی و حساسی در نیل به عملکرد بالا در پلتفرم های چند پردازنده ای ایفا می کند. این مقاله، مسئله تقسیم ساکن آگاه از انرژی وظایف بلادرنگ دوره ای روی پلتفرم های چند پردازنده ای ناهمگن را خطاب قرار می دهد. گونه بهینه سازی گروه ذرات براساس تکنیک Min-min برای تقسیم وظایف پیشنهاد شده است. هدف شیوه پیشنهادی، به حداقل رساندن مصرف انرژی کلی می باشد، ضمناً از نقض های موعد و ضرب العجل اجتناب می کند. در شیوه پیشنهادی یک تابع هزینه آگاه از انرژی پیشنهاد شده است. برای اعتباریابی و ارزیابی اثربخشی تکنیک پیشنهادی، شبیه سازیها و مقایسه های گسترده ای انجام شده است. نتایج بدست آمده حاکی از آن است که طرح تقسیم پیشنهادی از لحاظ تعداد تکرارها و صرفه جویی در مصرف انرژی برتر از شیوه های قبل عمل می کند.