基于能量和通信开销的无线传感器网格任务调度方法

摘要

本发明公开了一种基于能量和通信开销的无线传感器网格任务调度方法，属于通信技术领域。该方法将无线传感器网格的任务调度方法分为在无线传感器网络的数据收集阶段和网格中数据分析计算阶段，在无线传感器网络中使用基于图元神经的模式匹配方法，以减少无线传感器网络中节点的计算任务，有效降低传感器节点环境感知、数据传递、计算等任务消耗的能量，节省了电源的能量，延长节点寿命；在网格中采用基于复制策略的遗传算法，根据关键任务的优先级，采用作业复制的策略有效减少任务之间的通信开销，实现作业在最短的时间内完成。

说明书

技术领域

本发明涉及一种网格的任务调度方法，特别是一种基于能量和通 信开销的无线传感器网格任务调度方法。

背景技术

无线传感器网络由一系列的传感器节点构成，每个节点都具有环 境感知、数据处理和无线通信能力。而网格是用于解决在动态的、多 机构的虚拟中协调资源共享和协作的问题，核心思想是在一组参与节 点(资源提供者和消费者)中协商资源共享管理的能力，利用协商得到 的资源池共同解决一些问题。无线传感器网络是传感器之间在物理上 和逻辑上的连接而形成的网络，而网格则是用于有关传感器节点及其 感测数据的数据管理、计算管理、信息管理和知识发现管理。将传感 器网络接入到网格中，接入后所形成的新的网格称之为“传感器网 格”，传感器网格可以利用网格的计算资源和数据存储资源，存储、 分析和处理传感器获取的大量数据，无缝地访问若干传感器节点获得 所需的数据，使用户能有效地共享这些传感器。目前，关于无线传感 器网格的研究越来越多，而无线传感器网格中任务调度的算法也引起 了越来越多的关注。虽然网格技术以高性能的计算能力备受人们的关 注，但是由于传感器节点具有电池供电、计算存储能力有限、通信带 宽低的缺点，这使其在处理和利用所得数据时受到了限制。

发明内容

本发明目的就在提供一种基于能量和通信开销的无线传感器网 格任务调度方法，该方法通过减少无线传感器网络中节点的计算任 务，使传感器节点专注于收集和传输信息，节省了电源的能量。此外， 还通过利用网格技术处理所有的计算任务，提高计算的效率和准确 率。

实现本发明目的采用的技术方案是：一种基于能量和通信开销的 无线传感器网格任务调度方法，在无线传感器网络中使用基于图元神 经的模式匹配方法，以减少无线传感器网络中节点的计算任务；和/ 或在网格中采用基于复制策略的遗传算法，根据关键任务的优先级， 采用作业复制的策略实现关键任务的作业在最短的时间内完成，以有 效的降低任务之间的通信开销从而最大限度地获得最优的时间跨度。

所述基于图元神经的模式匹配方法包括以下步骤：

(2-1)不断查看是否有新的任务到来，如果没有任务到来则一直 处于等待状态；

(2-2)执行任务得到的任务和结果信息组成的模式离散地存储在 传感器节点上；

(2-3)传感器节点在获取任务主题信息之后，利用模式匹配程序 把任务主题和本地存储的模式进行匹配，如果匹配成功，唤起该传感 器节点，并计算出一个针对该任务的局部结果；

(2-4)把被唤起的传感器节点组织成一个匹配集合，如果匹配集 合中节点的个数小于Num，此次任务匹配失败，算法结束；如果匹 配集合中节点的个数不小于Num，则进入步骤(2-5)，其中Num为多 次试验得到一个最好的经验值；

(2-5)根据匹配集合中各个节点的匹配模式与任务主题信息的 匹配程度，计算出各个匹配模式的影响因子：

${\mathrm{Inf}}_i=\frac{M_i}{{\Sigma }_{N_j=1}{M}_j}$N_i＝1

其中，Inf_i为被唤醒节点N_i中匹配模式的影响因子，M_i为N_i节点中 匹配模式与查询任务的匹配程度，M_j为节点N_j中匹配模式与查询任务 的匹配程度，N_j表示第j个节点；

(2-6)根据匹配集合中各节点匹配模式的局部结果和影响因子， 通过下式计算出全局结果：

其中，D为匹配集合中的每个传感器节点将它 们各自得出的局部结果进行综合后得到全局结果，d_i为传感器节点N_i中匹配模式得出的局部结果。

所述基于遗传算法的复制策略包括任务的优先级对关键任务进 行作业复制的策略，作业复制数N_copy为：

$N_{\mathrm{copy}\left(v_i\right)}=\alpha \times \mathrm{PRI}\left(v_i\right)$

其中，α是复制比例，用以根据具体无线传感器网格环境调整任 务的复制比例；PRI(v_i)是任务节点v_i的任务调度优先级，由下式计算得 出：

$\mathrm{PRI}\left(v_i\right)=\frac{\underset{0<j<N}{\max }H\left(v_j\right)+1}{H\left(v_i\right)+1}$

H(V_i)为执行计算任务节点Vi的高度，H(V_j)为执行计算任务节点 V_j的高度，N为执行计算子任务的个数。

所述遗传算法包括以下步骤：

(4-1)生成初始群种：

(4-2)计算适应度；

(4-3)选取遗传算法终止时种群中适应值最好的个体作为任务调 度的最优解，并将该最优解作为禁忌搜索的初始解，禁忌表置为空；

(4-4)设定最大迭代数maxL和maxBest，如果迭代次数达到maxL 或某个禁忌对象出现了maxBest次，则终止算法，否则进入步骤(4-5)， 终止算法后通过染色体解码并根据任务优先级以一定的概率进行任 务复制；

(4-5)由当前解产生领域解，根据藐视准则，如果某个禁忌候选 解的目标函数小于CurBestFit状态，则解禁该候选解为当前状态，并 更新CurBestFit状态；如果所有的候选解都是禁忌候选解，且都大于 CurBestFit，解禁最小的候选解为当前状态，并更新CurBestFit状态， 进入步骤(4-4)；如果某个禁忌候选解的目标函数不小于CurBestFit 状态，则进入步骤(4-6)；

(4-6)将非禁忌对象对应的最佳解作为当前解，并用该对象替换 最早进入禁忌表的对象，进入步骤(4-4)循环操作。

上述步骤(4-1)中生成初始群种包括以下步骤：

(5-1)计算任务图中每个任务的高度H(Vi)；

(5-2)计算每个任务的优先级及任务复制数，根据任务复制数 复制每个任务。

(5-3)所有任务按高度升序排列，同样高度的任务按随机顺序 排列，生成任务序列；

(5-4)将每个任务按步骤(5-2)得到的顺序，逐个随机映射到 m个网格计算资源中的一个，生成染色体；

(5-5)按照设定的种群大小pSize，重复步骤(3)(4)pSize 次，生成初始种群。

上述步骤(4-3)中遗传算法终止迭代的最大迭代次数L，当迭代次 数超过L时，迭代终止；在没有达到L时，设终止代数G和终止阈值T， 如果连续G代，时，迭代终止。遗传算法不满足 终止条件时，则依次通过选择、交叉、变异操作直至遗传算法终止。 所述的选择操作是采用轮盘赌的选择方式，按照染色体的适应度确定 染色体被选择的概率。交叉操作是随机选择两个染色体，再随机选择 某个高度，交换这两个染色体中该高度上的所有任务顺序和任务所对 应的计算资源的顺序。变异操作是根据设定的变异概率决定本次是否 会发生变异，如果会发生变异，随机选择某个染色体上的某个位置， 随机映射到新的网格计算资源上。

本发明方法把无线传感器网格的任务拆分为两个阶段：在无线传 感器网络的数据收集阶段和网格中数据分析计算阶段，具有以下优 点：

(1)在无线传感器网络数集阶段中，采用基于图元神经的模式匹 配算法，充分利用已知的任务和其执行结果来估计当前任务的结果， 不但可以很快地做出决策，而且降低了无线传感器节点感知数据的能 量开销，并且减少了通信和计算的能量开销。通过减少无线传感器网 络中节点的计算任务，使无线传感器节点专注于收集和传输信息，有 效降低传感器节点环境感知、数据传递、计算等任务消耗的能量，节 省了电源的能量，延长节点寿命。

(2)在网格中，本发明考虑真实的网格环境：任务之间具有相互 的依赖关系、网格资源之间是普遍异构的、任务之间存在一定的通信 开销，而不是简单的假定任务是相互独立的、资源节点是同构的、相 互之间不存在通信开销。因此，本发明在网格中的计算任务调度考虑 任务间的通信开销，采用基于遗传算法的复制策略，根据关键任务的 优先级，采用作业复制的策略对关键任务在多个资源节点进行部署。 采用作业复制的策略可以有效减小任务之间的通信开销、并能够保证 关键任务的成功执行，在获取最优时间跨度的情况下，还具有一定的 容错功能。

附图说明

图1是无线传感器网格的构示意图。

图2是基于图元神经的模式匹配流程图。

图3是基于遗传算法的复制策略流程图。

具体实施方式

下面结合具体的实施例和说明书附图对本发明的技术方案作进 一步的说明。

无线传感器网格的结构如图1所示，用户访问层提供了网格入口 或者是工作流程管理工具的一个网格接口，用户通过该接口提交应用 到无线传感器网格上去执行，首先在传感器网络中去收集任务调度所 需要的数据，然后在网格上对这些传感器数据进行分析计算。网格元 调度根据作业在无线传感器网络端所请求的资源来对任务进行调度 和路由；网格代理将网格查询转换为简单的无线传感器格式并且将它 提交给相应的无线传感器网关。无线传感器网关分析这个查询将它们 转换为模式，并且将它们提交给相应的无线传感器节点。运行于传感 器节点的图元神经GN(Graph Neuron)完成相关的GN应用步骤，对 查询产生单一的响应；结果最终由无线传感器网关提交给网格代理； 网格代理整合无线传感器网络产生的结果以产生最终的结果，并由网 格代理传递给网格系统进行分析计算。

本实施例对无线传感器网格任务调度分为两个阶段：数据收集阶 段和数据分析计算阶段。数据收集阶段就是在无线传感器网络中，使 用基于图元神经的模式匹配算法，有效降低传感器节点环境感知、数 据传递、计算等任务消耗的能量，延长节点寿命。基于图元神经的模 式匹配算法，包括以下步骤：首先，把执行任务得到的任务和结果信 息组成的模式离散地存储在传感器节点上，模式和传感器节点有多对 一的关系，一个传感器节点可以存储多个模式，但一个模式只能存储 在一个传感器节点之上，利用离散存储的方法可以防止个别节点负荷 过重。其次，传感器节点中的模式匹配程序使用基于图元神经的模式 匹配算法把当前节点中存储的每个模式和下一个要执行的任务主题 进行匹配，如果匹配成功，该传感器节点被唤起，根据模式主题与任 务主题匹配的相似程度产生一个局部结果。最后，被唤起的传感器节 点被组织成一个匹配集合，匹配集合中节点的个数达到预定的数目 时，匹配集合中的每个传感器节点将它们各自得出的局部结果进行综 合后得到全局结果，否则，此次匹配失败，即无法找到足够的任务主 题信息。在综合结果时，模式主题与任务主题匹配的相似程度会影响 该模式的局部结果对全局结果的影响程度。但是如果匹配集合中节点 的个数过少，全局结果可能会受某一个或少数几个模式的影响较大， 容易引起较大的误差。只有匹配集合中节点的个数达到一定数目时， 才可用局部结果产生全局结果，

所述基于图元神经的模式匹配算法具体流程如图2所示，具体包 括以下步骤：

(2-1)不断查看是否有新的任务到来，如果没有任务到来则一直 处于等待状态；

(2-2)执行任务得到的任务和结果信息组成的模式离散地存储在 传感器节点上；

(2-3)传感器节点在获取任务主题信息之后，利用模式匹配程序 把任务主题和本地存储的模式进行匹配，如果匹配成功，唤起该传感 器节点，并计算出一个针对该任务的局部结果；

(2-4)把被唤起的传感器节点组织成一个匹配集合，如果匹配集 合中节点的个数小于Num，此次任务匹配失败，算法结束；如果匹 配集合中节点的个数不小于Num，则进入步骤(2-5)，其中Num为多 次试验得到一个最好的经验值；

(2-5)根据匹配集合中各个节点的匹配模式与任务主题信息的 匹配程度，计算出各个匹配模式的影响因子：

${\mathrm{Inf}}_i=\frac{M_i}{{\Sigma }_{N_j=1}{M}_j}$N_i＝1

其中，Inf_i为被唤醒节点N_i中匹配模式的影响因子，M_i为N_i节点中 匹配模式与查询任务的匹配程度，M_j为节点N_j中匹配模式与查询任务 的匹配程度，N_j表示第j个节点；

(2-6)根据匹配集合中各节点匹配模式的局部结果和影响因子， 通过下式计算出全局结果：

其中，d_i为传感器节点N_i中匹配模式得出的局 部结果。

本发明在无线传感器网络中使用基于图元神经的模式匹配算法 可以充分利用已知的任务和其执行结果来估计当前任务的结果，在任 务重复性比较大或相似任务比较多的情况下，不但可以很快地做出决 策，而且降低了传感器节点感知数据的能量开销，并且减少了通信和 计算的能量开销。在无线传感器网络中使用该算法不仅节省了传感器 节点的能量，而且提高了任务的执行速度。

本实施例在网格任务调度的数据分析计算阶段使用的方法是：在 网格中，通过采用基于遗传算法的复制策略，有效地降低任务之间的 通信开销从而最大限度的获得最优的时间跨度。

具有依赖任务的网格任务调度算法主要基于有向无环图模型，因 此依赖任务调度也就是对应的DAG调度。与独立的任务调度不同， 依赖任务调度不仅需要解决任务到处理机的分配还需要解决任务在 处理机上的时间安排。不同的前驱任务调度策略会对后继任务的调度 造成很大的影响。

大多数早期的DAG调度算法针对同构的计算平台，现在的大多 数针对异构环境的DAG调度算法只是将任务的执行时间和通信时间 分别简单的去进行加权平均，然后使用同构的平台调度算法进行调 度。本专利就是在进行任务调度时考虑真实的网格调度环境，而不是 仅仅考虑计算开销而忽略通信开销。本实施例进行如下假设和定义： 有向无环图包含四个元素，通常定义为G＝(V，E，C，M)；其中代表一个任务，表明任务v_i与v_j之间存在着先后关系，并且v_j应该在v_i结束之后才能执行；C(v_i)代表任务v_i的计算代价；M(v_i，v_j)代表 任务v_i向任务v_j发送数据的通信代价。如果v_i，v_j被分配到同一个处理 单元那么它们之间的通信代价为0。如果，v_i到v_j存在一条路径，那么 v_i称为v_j前驱，v_j称为v_i的后继；如果(v_i，v_j)∈E，那么v_i称为v_j的直接前 驱，定义为v_i∈iPred(v_j)，v_j称为v_i的直接后继，定义为v_j∈iSucc(v_i)。

由DAG表示的任务图是分层的，每层都有一个深度值，深度值越 小，任务调度的优先级就越高，在任务调度的过程中就要优先保证任 务的成功执行。

深度值用公式表示如下：

$H\left(v_i\right)=\left(\begin{array}{cc}0& \mathrm{ifiPred}\left(v_i\right)=0\\ \underset{v_i\in \mathrm{iPred}\left(v_i\right)}{\max }H\left(v_j\right)+1& \mathrm{otherwise}\end{array}\right)$

其中，iPred(v_j)代表v_j的前驱节点的集合，H(v_j)代表v_j的高度。

定义S(G)为基于有向无环图的任务调度，S(G)用来将任务分配到 合适的处理单元并为每一个任务分配一个合适的开始时间。定义 ST(v，p)为任务v在处理单元p上的开始执行时间，那么任务v在处理 单元p上的完成时间FT(v，p)可以表示为：

其中comp(p)为资源p的计算能力。

任务调度的跨度makespan(S)用公式表示如下：

makespan(S)＝max{FT(v，p)|v∈V，p∈P｝

对于一个给定的有向无环图，无线传感器网格任务调度的目标就 是得到一个最优的时间跨度，即找到makespan 的计算公式如下：

当iPre(v_j)＝Φ时：$\mathrm{FT}(v_j,p)=\frac{C\left(v_j\right)}{\mathrm{comp}\left(p\right)}$

当v_i，v_j，v_k∈V，v_i∈iPred(v_j)，pri(v_k)＜pri(v_i)时：

$\mathrm{FT}(v_j,p)=\left(\begin{array}{cc}\max \{\mathrm{FT}(v_i,p)+\frac{C\left(v_j\right)}{\mathrm{comp}\left(p\right)}+\frac{M(v_i,v_j)}{\mathrm{bandwith}(p,q)},\mathrm{FT}(v_k,q)+\frac{C\left(v_i\right)}{\mathrm{comp}\left(q\right)}\}& p\ne q\\ \max \{\mathrm{FT}(v_i,p)+\frac{C\left(v_j\right)}{\mathrm{comp}\left(p\right)},\mathrm{FT}(v_k,p)+\frac{C\left(v_j\right)}{\mathrm{comp}\left(p\right)}& p=q\end{array}\right)$

为任务选择处理机的基本思想是使任务尽早执行，对于相同的处 理单元任务越早开始执行，其完成时间也就越早，如果所有的任务都 能在最早时间开始执行那么任务调度就能够达到最优。然而，由于通 信开销及处理机数目的限制，保证所有任务的最早时间启动是很困难 的：随着任务调度的不断进行，任务可能的开始时间也会随着前驱节 点所在处理机的不同而不断变化。任务调度必须满足如下条件：

1.任务依赖约束：对于任务v_i，v_j，如果e_ij∈E，那么它们被映射到 同一处理单元上，即PE(v_i)＝PE(v_j)，那么任务v_j必须等到其前驱节点v_i执 行完毕，才能开始执行，即必须满足：

$\mathrm{ST}(v_i,\mathrm{PE}\left(v_i\right))+\frac{C\left(v_i\right)}{\mathrm{comp}\left(\mathrm{PE}\left(v_i\right)\right)}\le \mathrm{ST}(v_j,\mathrm{PE}\left(v_i\right));$

如果PE(v_i)＝PE(v_j)，那么任务v_j必须等到其前驱任务节点v_i执行完 毕，而且v_i的消息到达后才能开始执行，即必须满足：

$\mathrm{ST}(v_i,\mathrm{PE}\left(v_i\right))+\frac{C\left(v_i\right)}{\mathrm{comp}\left(\mathrm{PE}\left(v_i\right)\right)}+\frac{M(v_i,v_j)}{\mathrm{bandwith}(\mathrm{PE}\left(v_i\right),\mathrm{PE}\left(v_j\right))}\le \mathrm{ST}(v_j,\mathrm{PE}\left(v_i\right)).$

2.资源约束：分配到同一处理机上的任意两个任务执行时间上不 能交叠，即必须满足：如果PE(v_i)＝PE(v_j)，那么：

[ST(v_i，PE(v_i))，FT(v_i，PE(v_i))]∩[ST(v_j，PE(v_j))，FT(v_j，PE(v_j))]＝Φ

作业复制的策略能够最大限度的保证作业在最短的时间内完成， 而且能够很好的处理各种错误，但在很多情况下，特别是系统相对稳 定的情况下，作业复制会占用太多的系统资源，因此任务复制数要依 据一定的策略制定，以减小系统资源的浪费。本实施例采用根据任务 的优先级对关键任务进行作业复制的策略，作业复制数N_copy为：

$N_{\mathrm{copy}\left(v_i\right)}=\alpha \times \mathrm{PRI}\left(v_i\right)$

其中，α是复制比例，用以根据具体无线传感器网格环境调整任 务的复制比例；PRI(v_i)是任务节点v_i的任务调度优先级，由下式计算得 出：

$\mathrm{PRI}\left(v_i\right)=\frac{\underset{0<j<N}{\max }H\left(v_j\right)+1}{H\left(v_i\right)+1}$

H(V_i)为执行计算任务节点Vi的高度，H(V_j)为执行计算任务节点 Vj)的高度，N为执行计算子任务的个数。在有向无环图模型中，深度 低的任务节点要在深度高的节点开始之前完成，所以任务节点的优先 级与深度成反比，深度越低的任务节点，开始时间越早，优先级越高。 优先级高的任务的执行结束时间将直接影响优先级低的节点的开始 时间，本专利根据任务节点的优先级调整任务的备份数，可以有效减 小任务之间的通信代价，提高任务调度的成功率。

遗传算法是一种基于生物自然选择与遗传机理的随机搜索算法， 它从一组随机产生的称为“种群”的初始解开始搜索过程，种群中每 个个体是问题的一个解，称为“染色体”。使用遗传算法具有领域无 关的群体性全局搜索能力，可避免陷入局部最优。

本实施离基于复制策略的遗传算法如图3所示，包括以下步骤：

(4-1)产生初始群种：a.计算任务图中每个任务的高度H(V_i)；b. 计算每个任务的优先级及任务复制数，根据任务复制数复制每个任 务；c.然后将所有任务按高度升序排列，同样高度的任务按随机顺序 排列，生成任务序列；d.再将每个任务按照复制任务得到的顺序，逐 个随机映射到m个网格计算资源中的一个，生成染色体；e.按照设定 的种群大小pSize，重复pSize次步骤c、d，生成初始种群。

(4-2)计算适应度。适应度函数用于评价染色体优劣，本实施例 中，适应度函数取决于调度的完成时间，即所有执行计算子任务执行 完成所用的时间。完成时间越短，染色体越优，该调度序列越优。

$F\left(v_j\right)=\frac{1}{N_{\mathrm{copy}\left(v_j\right)}}\underset{k=1}{\overset{N_{\mathrm{copy}\left(v_j\right)}}{\Sigma }}\mathrm{FT}(v_{\mathrm{jk}},p)$

$T\left(\mathrm{Him}\right)=\left(\begin{array}{cc}\underset{H\left(v_j\right)=\mathrm{Him}}{\underset{0<j<N}{\max }}F\left(v_j\right)& \mathrm{Him}=0\\ T(\mathrm{Him}-1)+\underset{H\left(v_j\right)=\mathrm{Him}}{\underset{0<j<N}{\max }}F\left(v_j\right)& \mathrm{Him}>0\end{array}\right)v_j\in c_i$

$\mathrm{Fit}\left(v_j\right)=\frac{1}{F\left(c_i\right)}$

其中，FT(v_jk，p)是任务节点v_j的完成时间，由个复制任务在 各自资源上执行的平均完成时间表示；T(Him)表示第i个染色体所在的 Him层的执行结束时间；Fit(c_i)表示种群中第i个染色体c_i的适应度；F(c_i) 为子任务序列在c_i对应的网格计算资源上执行时的完成时间，等于 T(max_0＜j＜NH(v_j))。

(4-3)选取遗传算法终止时种群中适应值最好的个体作为任务调 度的最优解，并将该最优解作为禁忌搜索的初始解，禁忌表置为空；

(4-4)设定最大迭代数maxL和maxBest，如果迭代次数达到maxL 或某个禁忌对象出现了maxBest次，则终止算法，否则进入步骤(4-5)， 终止算法后通过染色体解码并根据任务优先级以一定的概率进行任 务复制；

(4-5)由当前解产生领域解，根据藐视准则，如果某个禁忌候选 解的目标函数小于最佳状态CurBestFit，则解禁该候选解为当前状态， 并更新最佳状态CurBestFit；如果所有的候选解都是禁忌候选解，且 都大于最佳状态CurBestFit，解禁最小的候选解为当前状态，并更新 最佳状态CurBestFit，进入步骤(4-4)；如果某个禁忌候选解的目标函 数不小于最佳状态CurBestFit，则进入步骤(4-6)；

(4-6)将非禁忌对象对应的最佳解作为当前解，并用该对象替换 最早进入禁忌表的对象，进入步骤(4-4)循环操作。

上述步骤(4-3)中遗传算法终止迭代的最大迭代次数L，当迭代次 数超过L时，迭代终止；在没有达到L时，设终止代数G和终止阈值T， 如果连续G代，时，迭代终止。遗传算法不满足 终止条件时，则依次通过选择、交叉、变异操作直至遗传算法终止。

上述基于遗传算法伪代码如下所示：

begin

(1)随机生成大小为pSize的初始种群；

(2)计算适应度函数值；

for i＝1；i＜pSize+1；i++

计算每个染色体c_i的适应度函数值大小：

end for

(3)判断是否满足停止准则；

while(迭代次数不超过L and连续G代) do

执行遗传操作：选择、交叉、变异操作；

迭代次数++；

Endwhile

选择遗传算法产生解中的最优解x，令禁忌搜索算法的初始 解X＝x，禁忌表TabuList＝Φ；

While(迭代次数≠maxL and禁忌对象的禁忌被禁忌次数 ＜maxTabu)

(4)生成X的领域N(x)；

(5)生成候选解集：

从领域N(x)中选出一部分目标函数较小的解作为候 选解集合candidate(x)

(6)搜索：

(7)禁忌表更新：

if找到最优解y then

把X插入到TabuList中；

endif

endwhile

end

上述算法得到的执行计算子任务序列及对应资源序列即为最优 的任务调度序列。在执行任务过程中，按照执行计算子任务的序列， 同一子任务优先选择排在前面的资源，如果该资源不能成功执行，则 顺序选择下一个资源执行，直到任务成功调度完成为止，从而保证了 无线传感器网格中的任务调度具有较好的容错机制。