博客
关于我
最短任务优先(SJF)调度策略平均周转时间最优性的证明
阅读量:327 次
发布时间:2019-03-04

本文共 1466 字,大约阅读时间需要 4 分钟。

理想情况下,对操作系统中运行的进程作出如下假设:

  • 每一个工作运行相同的时间

  • 所有的工作同时到达

  • 工作一旦开始,每个工作保持运行直到完成

  • 所有的工作只是用的CPU(即他们不执行IO操作)

  • 每个工作的运行时间是已知的

  • 先放宽假设1,即任务的运行时间可以存在差异。最短任务优先调度策略是从运筹学中借鉴到计算机领域中的一种调度算法,它描述的策略可以简单概括为:先运行最短的任务,最后是次短的任务,如此下去。

    假设存在任务A,B,C同时在t=0时刻到达,其中A执行需要100ms,B和C分别需要10ms。则SJF调度策略可以表示为:

    SJF调度策略的平均周转时间计算公式为:[ T = \frac{10 + 20 + 120}{3} = 50 , \text{ms} ]

    事实上,考虑所有工作同时到达的假设,可以证明SJF确实是一个最优的调度算法,现在给出证明。

    假设被调度进程集合有n个元素,对这n个进程的任意排列:[ {P_0, P_1, P_2, \cdots, P_{n-1}} ]便是一种调度方案。

    设T为任意一种调度策略产生的平均周转时间,则:[ T = \frac{T_0 + (T_0 + T_1) + \cdots + (T_0 + T_1 + \cdots + T_{n-1})}{n} ]

    其中Ti是第i+1个执行的进程的运行时间。

    对T0, T1, ..., Tn-1递增排序,得T'为SJF策略生成的调度方案的平均周转时间,则:[ T' = \frac{T_{k_0} + (T_{k_0} + T_{k_1}) + \cdots + (T_{k_0} + T_{k_1} + \cdots + T_{k_{n-1}})}{n} ]

    对比构成T和T'的每个累加项,后者永远不大于前者,T'是T中最小值。故,能够产生T'的调度方案必为理论最优,而T2调度方案是SJF生成的,得证。

    因此,找到了一个用SJF进行调度的好方法,但是所有任务同时到达仍然是不符合实际的,现在假设任务可以随时到达,而不仅仅是同时到达。

    假设A在t=0时刻到达,且需要运行100ms,而B和C在A之后不久(t=10ms)到达,他们仍然被迫等到A完成,从而遭遇到护航问题。

    在这种情况下,SJF调度策略的平均周转时间为:[ T = \frac{100 + 110 - 10 + 120 - 10}{3} = 103.33 , \text{ms} ]

    为了解决这个问题,需要放宽条件(工作必须保持运行直到完成),还需要调度程序本省的一些机制,由于系统提供了时钟终端和上下文切换,当B和C到达时调度程序可以做一些事情,比如抢占A,运行另外一个工作。根据前面的定义,工作一旦开始,必须继续直到完成,所以SJF是一种非抢占式的调度程序,因此存在上述问题。

    所以这里就引出了另外一种调度程序,叫做(STCF, shortest-time to completion First)或抢占是最短作业优先算法。每当新工作进入系统时,它就会确定剩余工作和新工作作用,谁的剩余时间最少,然后调度剩余时间最少的工作。因此,在STCF中,上面的例子将按照如下时间线运行:

    平均周转时间变为:[ T = \frac{20 - 10 + 30 - 10 + 120}{3} = 50 , \text{ms} ]

    和同时到达的SJF模式一样,考虑到新的假设,STCF可以证明是最优的。考虑到所有工作同时到达,SJF是最优的。所以可以看到,STCF的最优性是符合直觉的。

    结束!

    转载地址:http://bskh.baihongyu.com/

    你可能感兴趣的文章
    OpenCV与AI深度学习 | 基于YoloV11自定义数据集实现车辆事故检测(有源码,建议收藏!)
    查看>>
    OpenCV与AI深度学习 | 基于YOLOv8 + BotSORT实现球员和足球检测与跟踪 (步骤 + 源码)
    查看>>
    OpenCV与AI深度学习 | 基于YOLOv8实现高级目标检测和区域计数
    查看>>
    OpenCV与AI深度学习 | 基于YOLOv8的停车对齐检测
    查看>>
    OpenCV与AI深度学习 | 基于YoloV8的药丸/片剂类型识别
    查看>>
    OpenCV与AI深度学习 | 基于YOLO和EasyOCR从视频中识别车牌
    查看>>
    OpenCV与AI深度学习 | 基于图像处理的火焰检测算法(颜色+边缘)
    查看>>
    OpenCV与AI深度学习 | 基于拉普拉斯金字塔实现图像融合(步骤 + 代码)
    查看>>
    OpenCV与AI深度学习 | 基于改进YOLOv8的景区行人检测算法
    查看>>
    OpenCV与AI深度学习 | 基于机器视觉的磁瓦表面缺陷检测方案
    查看>>
    OpenCV与AI深度学习 | 基于深度学习的轮胎缺陷检测系统
    查看>>
    OpenCV与AI深度学习 | 如何使用YOLO-World做目标检测
    查看>>
    OpenCV与AI深度学习 | 如何使用YOLOv9分割图像中的对象
    查看>>
    OpenCV与AI深度学习 | 如何使用YOLOv9检测图片和视频中的目标
    查看>>
    OpenCV与AI深度学习 | 如何在 Docker 容器中使用 GPU
    查看>>
    OpenCV与AI深度学习 | 实战 | OpenCV中更稳更快的找圆方法--EdgeDrawing使用演示(详细步骤 + 代码)
    查看>>
    OpenCV与AI深度学习 | 实战 | OpenCV传统方法实现密集圆形分割与计数(详细步骤 + 代码)
    查看>>
    OpenCV与AI深度学习 | 实战 | OpenCV实现扫描文本矫正应用与实现详解(附源码)
    查看>>
    OpenCV与AI深度学习 | 实战 | YOLOv10模型微调检测肾结石并提高准确率
    查看>>
    OpenCV与AI深度学习 | 实战 | 使用OpenCV和Streamlit搭建虚拟化妆应用程序(附源码)
    查看>>