54、现代模块化CPU调度器工作原理及CFS调度算法解析

现代模块化CPU调度器工作原理及CFS调度算法解析

1. 运行队列与调度类概述

运行队列在概念图中可能看上去像数组,但实际的数据结构取决于调度类。不同调度类会使用不同的数据结构来实现运行队列,例如实时类可能使用链表数组,公平调度类(CFS)使用红黑树(rb-tree)等。

2. 调度类示例分析

为了更好地理解调度类模型,我们假设有一个对称多处理器(SMP)或多核系统,其中有100个线程(包括用户空间和内核空间)。这些可运行的线程分属不同的调度类:
- 一个停止调度(SS)类线程S1
- 两个截止时间(DL)类线程D1和D2
- 两个实时(RT)类线程RT1和RT2
- 三个完全公平调度(CFS)类线程F1、F2和F3
- 一个空闲类线程I1

假设最初线程F2在一个处理器核心上执行代码,之后内核想要进行上下文切换。内核代码最终会进入核心调度代码 kernel/sched/core.c:void schedule(void) schedule() 调用 pick_next_task() ,该函数会遍历调度类链表,询问每个调度类是否有可运行的候选线程。其概念上的代码路径如下:
1. 核心调度代码 __schedule() 询问:“嘿,SS(停止调度类),你有想运行的线程吗?”
2. SS类代码遍历其运行队列,找到可运行线程S1,回复:“是的,有,是线程S1。”
3. 核心调度代码 __schedule() :“好的,那就切换到S1。

先展示下效果 https://pan.quark.cn/s/a4b39357ea24 遗传算法 - 简书 遗传算法的理论是根据达尔文进化论而设计出来的算法: 人类是朝着好的方向(最优解)进化,进化过程中,会自动选择优良基因,淘汰劣等基因。 遗传算法(英语:genetic algorithm (GA) )是计算数学中用于解决最佳化的搜索算法,是进化算法的一种。 进化算法最初是借鉴了进化生物学中的一些现象而发展起来的,这些现象包括遗传、突变、自然选择、杂交等。 搜索算法的共同特征为: 首先组成一组候选解 依据某些适应性条件测算这些候选解的适应度 根据适应度保留某些候选解,放弃其他候选解 对保留的候选解进行某些操作,生成新的候选解 遗传算法流程 遗传算法的一般步骤 my_fitness函数 评估每条染色体所对应个体的适应度 升序排列适应度评估值,选出 前 parent_number 个 个体作为 待选 parent 种群(适应度函数的值越小越好) 从 待选 parent 种群 中随机选择 2 个个体作为父方和母方。 抽取父母双方的染色体,进行交叉,产生 2 个子代。 (交叉概率) 对子代(parent + 生成的 child)的染色体进行变异。 (变异概率) 重复3,4,5步骤,直到新种群(parentnumber + childnumber)的产生。 循环以上步骤直至找到满意的解。 名词解释 交叉概率:两个个体进行交配的概率。 例如,交配概率为0.8,则80%的“夫妻”会生育后代。 变异概率:所有的基因中发生变异的占总体的比例。 GA函数 适应度函数 适应度函数由解决的问题决定。 举一个平方和的例子。 简单的平方和问题 求函数的最小值,其中每个变量的取值区间都是 [-1, ...
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值