بهبود طول عمر سیستم های نهفته در حین زمان بندی وظایف براساس بهینه سازی چندهدفی ازدحام ذرات

این مقاله به بررسی تاثیر زمان‌بندی وظایف بر روی طول عمر یک سیستم بی‌درنگ سخت که از مخزن انرژی مرکب متشکل از باتری و ابرخازن و برداشت‌گر انرژی خورشیدی برای تامین انرژی خود استفاده می‌کند، می‌پردازد. منظور از طول عمر سیستم در این مستند، لحظه شروع به کار سیستم تا لحظه مختل شدن وظایف آن به دلیل نبود انرژی است. با توجه به خواص غیرخطی باتری و ابرخازن که موجب می‌شود شارژ داخلی آن‌ها در دو بخش در دسترس (iac) و غیرقابل دسترس (iuc) تقسیم شود، طول عمر چنین سیستمی کاملا به الگوی شارژ و دشارژ مخزن انرژی وابسته است زیرا این الگو در نهایت منجر به میزان شارژ ذخیره شده در بخش iuc و میزان شارژ استخراج شده از این بخش می‌شود. بنابراین، با مدیریت الگوی شارژ/ دشارژ مخازن انرژی می‌توان روی طول عمر سیستم و افزایش آن تاثیرگذار بود. از آنجایی‌که الگوی رسیدن انرژی از محیط، خارج از کنترل سیستم است، ایده اصلی این مقاله تاثیرگذاری بر روی الگوی شارژ/ دشارژ مخزن از طریق تنظیم الگوی مصرف انرژی است تا در نهایت طول عمر سیستم بهبود یابد. در این راستا، ابتدا دو الگوریتم زمان‌بندی mcf و mgf که الگوی زمان‌بندی در اجرای پرمصرف‌ترین و کم مصرف‌ترین وظیفه حاضر در سیستم هستند، ارائه می‌شوند. سپس الگوریتم mcg مورد بررسی قرار می‌گیرد که طبق آن الگوریتم، در هر برهه از زمان با توجه به شرایط موجود، در مورد استفاده از یکی از الگوریتم‌های مذکور تصمیم‌گیری می‌شود. نتایج آزمایش‌ها نشان می‌دهد که این الگوریتم بین 5% تا 16% طول عمر سیستم را افزایش می‌دهد. با توجه به این‌که در سال‌های اخیر موضوع استفاده از ابرخازن در کنار باتری و سلول‌های خورشیدی در سامانه‌های فضایی مطرح شده است، از این‌رو، نتایج این تحقیق می‌تواند برای استفاده در ماهواره‌ها نیز بررسی شود.

lifetime enhancement of embedded systems during task scheduling through a multi-objective particle swarm optimization approach

in this paper, a task scheduling and mapping method based on multi-objective particle swarm optimization (mopso) algorithm is presented to improve lifetime reliability of multiprocessors systems on chip. this method considers power consumption temperature and performance along with the lifetime reliability due to the antagonistic relations of these parameters. these antagonistic and dependent relations make the design space exploration and optimization processes complex. the proposed method is based on mopso algorithm and starts with an initial population of candidate solutions which are generated randomly and represents valid task scheduling and mapping solutions. by changing the scheduling and mapping parameters during the mopso algorithm, new solutions are produced and the design space is explored based on the objective of the target problem of this method. several experiments on random and real-life benchmarks are performed to verify the effectiveness of our proposed method. the results demonstrate the capability of the proposed method in effective design space exploration and generating the pareto front. moreover, comparisons to the related research show 35%, 23%, 19% and 3% improvements in performance, lifetime reliability, temperature, and power consumption on average.