Int ern at i onal  Journ al of Ele ctrical  an d  Co mput er  En gin eeri ng   (IJ E C E)   Vo l.   10 ,  No.   2 ,  A pr il   2020 , p p.  18 05 ~ 1813   IS S N: 20 88 - 8708 ,  DOI: 10 .11 591/ ijece . v10 i 2 . pp1805 - 18 13          1805       Journ al h om e page :  http: // ij ece.i aesc or e.c om/i nd ex .ph p/IJ ECE   Reinf orcement  l earning  based mu lti core  sch eduli ng  (RLB M CS)  for re al tim e systems         Dh ru va  R.   Ri nku 1 ,   M.   Asha Rani 2   1 Depa rtment of  El e ct roni cs  and   Com m unic at ion Engi ne eri ng,   CV R  Coll eg e   of   En gine er ing, H y d er aba d,   Indi a   2 Depa rtment of  El e ct roni cs  and   Com m unic at ion Engi ne eri ng,   JN T  Univer si t y ,   H y der aba d ,   Ind ia       Art ic le  In f o     ABSTR A CT    Art ic le  history:   Re cei ved   Ma r 13 , 201 9   Re vised  Oct  29 ,   2019   Accepte d  Nov 6, 2 019       Em bed ded   sy stem s  with   m ul ti   cor e  process or s  are  increasin gly  popula r  beca use   of  the   di ver si ty   of   a ppli cat ion s   that  ca n  be   r un  on  it .   In   this  work,  a  reinfor cem ent  le arn in g  ba sed  sche duli ng   m et ho d  is  pro po se d  to  ha nd le   the  real   tim e  ta sk s  in   m ulti   cor e  syst e m s  with  eff ect ive  CP U   us age  a nd  lowe r   res ponse   tim e.  The  pr iority   of   the  ta sk s  is  vari ed  dynam ic al l y  to  ensure  fai rn ess  with  rei nfo rcem ent   le arn in g  base d  pr io rity   ass ign m ent  and  Mult i  Core  Mult iLe vel  Feed back   qu e ue   (MCM LFQ )   to  m anag e  the  ta sk   execu ti on   in  m ulti   cor e  syst em   K eyw or d s :   Mult i cor e  sch edu li ng   Mult il evel feedback  que ue   Re inforcem ent lea rn i ng   Sy m m e tric   m ulti pr ocess ors   Copyright   ©   202 0   Instit ut e  o f Ad vanc ed   Engi n ee r ing  and  S cienc e .    Al l   rights re serv ed .   Corres pond in g  Aut h or :   Dhruva  R. Rin ku ,    Dep a rtm ent o f  Ele ct ro nic s  and C omm un ic ation   En gin ee rin g ,   CVR Coll ege   of Enginee rin g ,   Hyde rab a d, I ndia .   Em a il :  rink ud hru va.ravi @g m ai l.com       1.   INTROD U CTION     Sche du li ng  is  t he  pro cess  of  al locat ion   of  t asks  to  a  set   of  res ources  under   ce rtai n  co nst raints  li ke  dead li ne ,  util iz at ion ,  respo ns e   tim e  e tc .  In   R TOS   (Real   Tim e  Op erati ng  Syst e m s),   ta sk  sche du li ng  is  a  cor e   com po ne nt  res pons i ble  f or   a ssign i ng  res ou rces  to   the  ta s k  s o  as  e nsure   tim e  gu ara nte e.  The   cu rr e nt   ta sk  sche du li ng  al gorithm s  in  RT OS   ca n  be   cl as sifie d  i nto   ti me - dri ve n,   pri ori ty - dr i ven  a nd  hy br id - dri ve n.   P rior it y  dr i ven   sc hedul ing   assig n  pri ori ti es  to  ta sk s  in  su ch  a  way   that  hig h  pr i ori ty   ta sk   is   selected  for  sche du li ng   ahead  of  lo w  pri or it y  ta sk s .  T he  pr io rity   can   be  assi gned  i n  two  ways  –   st at ic   and   dyna m ic .   In   sta ti c  pri or it y   schem e,  the  pri or it y  is  assig ned  duri ng  ta s k  creati on   ti m e  an d  it   does  no t  c ha ng e   du rin g  the  li feti m e  of   the  ta sk .  I n  dynam ic   pr iority   schem es,  the  pri or it y  of   ta s k  changes  dep e ndin g  on  syst em   sta tus  and   r eso ur ce   avail abili ty .  Pri or it y  inv e rsion  is  a  prob le m   in  pri ori ty   dr iv en  sc hedulin g.   The  pro blem   a rises  w he n  ta sks  with   diff e re nt  pri ori ti es  sh are   com m on   data.  Othe r  iss ues  li ke   dead l ock  a nd  m ul ti ple  blo c ki ng   of  ta s ks   is   quit e  com m on   in  pr iority   dr i ven   s cheduli ng.   M ul ti pr ocess or  ar chite ct ur es  (e. g. ,  Sym m et ric   Mult ipr ocess or s  or  SMPs,  Sin gle  Chip  Heter oge neous  Mult ipr ocess or s  or   S CHMs)  are  in creasin gly  popula r  to  cost  re du ct io n  and   div e rse  ap plica ti on s  that  can  be  r un  on  it .  Schedulin g  in  Mult ipr ocess or   syst em   is  m or e  c halle ng i ng  as  it   mu st  con side r   m ult i  par am e te r  opti m iz at i on  li ke  e ff ect i ve  resou rce  ut il iz ation ,  ta s k  res pons e   tim e  e tc .   The  sc he du li ng crite ria f or  op t i m iz ation  in  m ulti  p r o cess  sys tem  is g iven  in  Tab le   1.   The  cu rr e nt  scheduli ng  al gor it h m s  fail   fo r  the  cases  of   uncertai n  ta sk   a rr ivals  a nd   uncertai n  ta s k  natu re.  In   t he se  sit uations,  there  is  a n  in crease  in  dea dline  m iss  rati o  an d  poor  r eso ur ce  util iz at ion .     To  ov e rc om e  these  chall e nges,  the  sc he duli ng  al gorith m   m us t  be  adap ti ve   an d  m us t  be  sel f - le arn i ng .     The  sc heduler  m us t  l earn   the se  dynam ic s  fr om   the  env iro nm ent  and   m u st  adap t  it sel f  to  ens ure  there  is  ver y   low  dead li ne  m iss  rati o  and  higher  resou r ce  util iz at ion .  This  w ork  is  m ot ivate d  by  above  prob le m s  and   t o  Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2088 - 8708   In t J  Elec  &  C om p  En g,   V ol.  10 , No .  2 ,  A pr i l 202 0  :   1805  -   1813   1806   desig n  a  sel f - le arn i ng   sc he du l er.  P rev i ous  w orks  on   sel f - le arn i n g  sc he du l er  are  al s o  avai la ble  bu t  no   e xi sti ng  work   has  c on sidere d  m ulti   cor e  syst em s  and   dynam ic   ta sk   ar rivals  with  ada ptati on  ba sed  on  MLFQ.     In  this  wor k,   a  rein forcem e nt  le ar ning  ba sed  dynam ic   pr iority   sc hem e   with  m ulti   le vel  fee dback   queue   i s   us e d  f or   sc he du li ng  t he  ta s ks   to   m ulti   pr ocess or s .  T he   pr i or it y  to  al locat e  f or   t he   ta sk   is  m od e le d  as  con ti nu ous  le arn i ng   act ivit y  with  rew a r d  an d  pe nalty   score  al locat ed  bas ed  on  the  m ult i - obj ect ive  para m et e r   op ti m iz ation .  The  pro posed   sche du le r   is  i m ple m ented  i nt o  F ree - RT OS  operati ng   syst e m   and  te ste d  f or  it s   eff ect ive ness   with  job  m ix  of  CP U  a nd  IO  intensi ve  ta s ks .   To  t he  best  of  our  knowle dge ,  this  w ork  is   the  first  to consi der  m ulti  o bj e ct ive r e al iz at ion  u si ng  MLFQ a nd sel f - le ar ning  on  MLFQ.       Table  1.   Sche du li ng c rite ria   CPU Utiliz atio n   Keep th e CPUs  as  b u sy  as p o ss ib le.  Maxi m iz e the CP U Utilizat io n   Thro u g h p u t   N u m b e r  o f  task s c o m p leted  pe r  u n it t i m e.  M ax i m ize  th e thro u g h p u t   Turn  Ar o u n d  T i m e   Ti m e  to ex ecut e a   p articular  task  f ro m   su b m iss io n  to c o m p letio n .  Mini m i ze the turn arou n d  ti m e   W aitin g  T i m e   A m o u n t of  ti m e pr o cess  is waiting  in  th e r eady  qu eu e.  Mini m ize  the wai ti n g  ti m e   Res p o n se Ti m e   A m o u n t of  ti m e it  tak es f ro m  when  a  requ est was su b m it ted  un til  th e f irst r e sp o n se is p rod u ced .  Mini m ize  the r esp o n se  ti m e.       2.   LIT ERATUR E SU RV E Y   The  existi ng  s olu ti ons  sche duli ng   in  RT O S  is  analy zed  belo w,   Seife di ne  Ka dr y  et   al .  [1 ]   ap plied  dynam ic   qu ant um   instea d  of  sta ti c  qu ant um   in  Mult i  L evel  Feed bac k  Qu e ue  (ML F Q)   base d  sche du li ng.     The  schem e  was  able  to  accom m od at e  l ow   pr io rity   task s,  wh ic h  ta kes  longe r  ti m e  fo r  com pleti on   an d  m axi m iz e  the  resou rce  util iz at ion .  Xiao j ie   Li  et   al .  [2 ]   pro posed  im pr o ved   ED F  al go rithm   wh ic h  r edu c e s   the  ta sk   switc hing  over hea d  and   num ber   of   ta sk   s witc h.  Con tr olled  p reem ption   is  pro po se d  b y  J ink y u   Lee  et   al .  [3 ] ,  wh ic h  regulat es  the  pr eem ption   f or   bette r  EDF .  T he  ap proa c h  ap plies  heurist ic s  to  deci de   a  bette r  value  of   preem ption   tim e   fo r  eac h  ta sk   in  case  of  Un i  pr ocess or   syst e m s.J.   Lee  et   al .  [4 ]   pr op os e d   a  sche duli ng  poli cy   to  m ake  eff ect ive   us e   of  c on te ntion  f r ee  slots.   Tas ks  in  c onte ndin g  slots  a re  m igr at ed  t o  con te ntion   f ree   slots  to  red uc e  the  nu m ber   of   com peting  ta sk s  in  co ntent ing   slots.  J.  Le e  et   a l.   [5 ]   pr opose d,   two  im po rtant  aspects:   inter - job   c on c urre nc y  and   job   ur ge ncy  are  cons id ered   f or   sc he duli ng.  A naly sis  of   LLF    (Least  La xity   First)  sc he du li ng  on  m ulti   process p la tf or m s  is  co ns i der e d  in [ 6] b y  J.   Le e  et   al .  La xity   of  a  ta s k  at   any  tim e  is  def i ned  as  rem ai nin g  tim e  to  dead li ne   m inu s  the  am ou nt  of  rem ai nin g  e xe cution.  Algori th m s   e m plo yi ng   Lax it y fo r sche duli ng are  call ed  Z L - ba sed  sch e duli ng alg or it hm .   S.  K.   Lee  propose d,   ED ZL  sc hedulin g  [ 7]  em plo ys  the  EDF   strat egy  un ti l   ta sk s  hav e  ze r o - la xity   and   the  ZL  po li cy .   M.  L.  De rto uz os   et   al .[8]  pr opos e d,   Lea st  Laxit y  First  (L LF)  sc he d ulin g  is  a  ZL  sc he du li ng   al gorithm ,  wh ic h  globall y  assigns   a   hi gh e r   pr i or it y  to  a  t ask  with  lo we r  la xity .  A .  Ea swar a n  et   al .  s how n  Cl us te r - base d  sche du li ng  assi gn s  eac h  ta sk   to  process or  cl us te r.   Tas ks   in   each  cl us te r  are  globall y  sched ul e d  a m on g  them sel ve s,  a nd  cl ust ers  in   tu rn  are   sche dule d  on   the  m ulti pr oc es so r   platfo rm .  Cl us te ri ng  pl aces   a restrict io n on the am ou nt  of  con c urre ncy.  [ 9]   Ma rko  Be rto gna  et   al .  [1 0]  pro po se d,   A  li m it ed - pr eem ption   sche duli ng   te chn iq ue  with  be nef it s  of  bo t h  preem pti ve  an d  non - pr ee m ptive  sche du li ng.  T he  r untim e  beh avi or  of   pr eem ptive  EDF   sche du li ng   is   i m pr oved   by   a vo i ding  pr eem ptions  that   are   no t   nee de d  to   sat isfy  the  sc he du la bili ty   of   t he  syst em .  Algorithm   for  aut om at ic a l ly   set ti ng   a  num ber   of   preem ption   points  within  the  c ode  of  each  ta s k,   to  m ini m iz e  the  overal l   pr eem ption   c ost   unde r  sc he du la bili ty   const raints  is  pro po s ed   by  M.   Be rto gn a   et   al .  in  [11].  A   ta sk  deco m po sit io n  al go rithm   is  pr op os ed  by  Abusayeed  Saif ul la h   et   al .to  deco m po se  each  pa rall el   ta sk   into  a  set   of   se qu e nti al   t asks  with  deadl ine  distribu te d  fo r  the  se qu e nt ia l  ta sk s.  EDF  scheduli ng  is  execu te d  f or   e ach  of   the se qu e ntial  tasks [1 2].   An  ef fici ent  s cheduli ng  a pp ro ac h  is  pro po sed  by  Kaly an   Ba it al   et   al .  [13]  in  t he  he te rogen e ous  m ul ti cor e  syst e m   to  m ap  the   ta sk s  int o  a ppr opriat e  co res   base d  on   t he  ty pe  of  co res  (b i g  hi gh  po w er  an d  sm a ll   low  po wer)  as  well   a s  ty pe  of   ta s ks  (lo w  powe r  and   high  po w er) .  A  r un - ti m e  disp at ch er  di sp at ch   diff e re nt  jo bs   i nto   sm al l  cor e s.  Tas k  m igrati on  is  use d  to  m igrate  the  re je ct ed  jo bs   fro m   s m al l  cor es  into  big   cor es  thro ugh dispatc her .  K.  Ba it al  et al . [ 14]  presente d  a  sche du li ng al gorithm  w he re random  tasks gener at e d  at   diff e re nt  tim e  interv al s  wit h  diff e ren t  pe riod ic it y  an d  e xe cution  tim e  can  be  acc ommod at e d  int o  a  s yst e m ,   wh ic h  is  al rea dy  r unning  a   s et   of   ta s ks ,   m e et ing   the   dea dl ine  crit eria  of   t he  ta sks.  Using  the   co nce pt  of   Pf ai r   sche du li ng,  r a ndom  n ew  tasks  h a ve been  d i vi ded to  fit i nto t he  idle t im es o f  the  d if fer e nt  cor es  of t he  sy stem .   Gen et ic   Algo r it h m   based   scheduli ng  of  ta sk s   to  m ult i - pr oces sor  syst em   is  pr opos e d  by  A.   S .   Ra dh am ani  et   al .  in  [ 15 ]   with  the  obj e ct ive  of   m inim iz ing   the  tot al   com pleti on   tim e  of   al l  t ask  a nd   m axi m iz ing   the  util iz at ion   of  pr oc esso r.   Fit ness  f un ct i on   i s  def ine d  ba se d  on  obj ect ive  and   gen et ic   al gorith m  to u se to sea rc h  f or  the  pros pe ct ive so luti on s  m at ching  the  obj ect ives . J . R egehr in  [ 16]  sh ow ho w  to sc hedule   two  novel  sch edu li ng  a bs tra ct ion s  that  ov erco m e  lim it a t ion s  of   e xisti ng   w ork  on  preem ption   thre sh ol d  Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec  &  C om p  En g     IS S N: 20 88 - 8708       Rei nfo rce men t   le ar ni ng base d m ulti  co re sc he du li ng   ( RL B MCS)  for  real t ime syste m s…  ( Dh r uva R .  Rin ku )   1807   sche du li ng.  Th e  i m po rtant  w eakn e ss  of  ML FQ   sc he du le r   is  the  ina bili ty   to  de fine  th e  optim iz ed  nu m ber   of   the  qu e ues  an d  quant um   of   each  queue  al s o  this  al gorith m   has  sta rv at ion   f or  so m e  pr oces s.  These  factors  aff ect  the  respon s e tim e d irect ly . I n  [ 17 ]  Pa r var  M oh am m a d  et  al., a  ne w al gorithm  is p res ented  t o  so l ve  these   pro blem s  and   m ini m iz e  the  r esp on se   tim e  si m ultaneou sly .   The   pro pose d  idea  to  so l ve  t he  sta r vatio n  pro ble m   wh il e  co ns i deri ng   the  process es  pr i or it y  too.   In   this  al gorithm   Re cur ren t  Neural  Net wor k  has  bee n  util iz ed  to   fin d  bo t h  the   nu m be r  of  que ues  a nd  the   optim iz ed  quant um   of   eac h  queue .   K.   Ba it a l  et   al .  [ 18 ]   presents   a sche du li ng  al gorithm  w her e   rand om  tasks gener at e d  at  d i fferent ti m e intervals w it h di ff e r ent p e rio dicit y and   execu ti on  ti m e  can  be  ac co m m od at ed  int o  a  syst em ,  wh ic h  is  al rea dy  r unni ng  a  set   of  ta sk s ,  m eet ing   the  dead li ne  c rite ria  of   the  ta sk s.  A  hybri d  lim i te d - pree m pt ion   real - ti m e  sched ulin g  al go rithm   i s  der i ved   in  [ 19 ]   by  M.  Be rtogna  et   al . ,  that  ai m s  to  ha ve  lo w  r unti m e  ov er hea d  wh il e  sc heduling  al l  syst em s  that  can   be  s che dule d  by   fu ll y  pr eem ptive  al go rit hm s .  This  hy br i d  al gorithm   per m i ts  pr eem ption   wh e re  nece ssar y  fo r   m ai ntaining   fe asi bili ty , b ut at tem pts to  av oi d unnecessa ry  pr eem ption s  duri ng run ti m e.   The  pr ob le m   of   sche duli ng   pe rio dic  real - ti m e  ta sk s  on   m ulti process o rs  unde r  the  f ork  j oi n  str uctu re   us e d  in  O penM P  has   bee n  discusse d  by  K.   La kshm anan   et   al . [20].  A n  I nte ger   Line ar  P rogr am m i ng  ( ILP)   form ulati on   an d  tw o  non - it er at ive  he ur ist ic s  f or   sche duli ng  a  ta s k - base d  a pp li cat io n  on t o  a  heter og eneous  m any - cor e   arc hitec ture  has   de scribe   by  C.   Tan  et   al .[21 ] .   Pr ic opi  M  et   a l.  pro posed   work  [ 22 ]   t o  pro ve   that   adap ti ve  m ulti - cor e  arc hitec tu res  can  substan ti al l y  decr ease  the  m akesp a n  com par ed  to  both  sta ti c  sy m m et ric   and   a sym m et ri c  m ulti - cor e  a r chite ct ur es .  A .   Hatam i  e t  al .  [23]  pro posed  sche du li ng  al gorithm   that  able  to   perform   bette r  than  tra diti on al   Earli est   Dead li ne  First  (EDF )  and   m ini m iz e   the  ov erall   co m ple ti on   tim e   wh e n  the  syst em   in  ov e rloa de d  c onditi on.  T   V AIR AM  et   al .[24] pr op os e d  w or k  w hic h  prese nt s  a  hybri d  ve r sion   of  DP S O(Discret e  Partic le   Sw ar m   Op tim iz a ti on )  w hich  is  a  com bin at ion   of  DP S O  an d  Cy ber   S war m   Algo rithm   (CSA).  The   ef f ic ie ncy  of  the  al gorithm   is  tested  us in g  the   perform ance  m et rics  su c h  as   m akesp a n,   m ean  flo w  tim e,  reli abilit y  cost,  fitness   and   res ource   util iz at ion .  T he  pr opos e d  An t  Col ony  Op ti m iz ation   (A C O)  al gorithm s  pr ov i de  inh e re nt   par al le li s m ,   wh ic h  is  ve ry  us ef ul  in  m ul ti pr ocess o r   env ir on m ents  [2 5].   An   op ti m iz ed   real  tim e  sched ulin g  al gorit hm   fo r  ta sk s  al locat ion   in  gr i d  env i ronm ent  has  pro po sed  by   Aghaza rian  V  et   al .[ 26 ] .  Sc he du li ng  of   s ha red   m e m or y  with  m ulti - cor e  perform ance  i n  dynam ic   al l ocato r   us in g  a rm   pr oc essor  ha s  im pl e m ented  by  Ve nk at a  Siva  P ra sad  C h.   et   al .   [ 27 ] .  Sur vey  of  diff e re nt  sche duli ng  al gorithm s h av e b ee n discus s ed by   Im ran   Q ur es hi   [28].       3.   RLBM CS   SCHE DU LI NG   Diff e rin g  f r om  pr e vious  s olut ion s  f oc us in g  on ly   on  dea dline,  the  pro posed  RLB MC S   sche du li ng ,     sche du le s tas ks t o  m ulti  co res i n  a  way to  optim iz e  m ult iple objecti ves  of ,   -   CPU  Util iz at ion (C )   -   Thro ughput  (T )   -   Turna rou nd ti m e (TA)   -   Wait ing  ti m e (W T)   -   Re sp onse  tim e (RT)   -   Dead li ne  m eet   rati o  ( DR)     3.1.   Rein f orc ement le arnin g   Re inforcem ent lea rn in g  is a  ki nd   of  m achine  learnin g  te c hniqu e  wh e re a n agent lear ns  a nd f i ne - t un es   it s  beh a vior  i n  en vir on m ent  base d  on  the   r esults  of  it s  pa st  act ion s .  It  is   goal - or ie nted   al gorithm   gu id ed  by  pr i nciple  of  r ei nfor cem ent  with  re wards  for  rig ht  act io ns   an d  pen al t y  fo r  wrong  act ion s.   By   th is  way,   it   at ta ins  it s  obj ect ive.   Re inf orcem ent  le arn ing  is  m od el le d  in  te rm s  of  ag ents,  e nviro nm ents,  sta te s,   ac ti o ns  and re wards  as  shown i n  Fi gu re  1.           Figure  1. Re inf or cem ent lea rni ng     Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2088 - 8708   In t J  Elec  &  C om p  En g,   V ol.  10 , No .  2 ,  A pr i l 202 0  :   1805  -   1813   1808   -   Ag e nt: A ge nts  ta kes  act io ns .   -   Acti on (A):  A  i s the set  of all   po s sible m ov es  the a gen t  can   m ake.    -   En vironm ent:   The  a ge nt m ov es in t his wo rld .   -   Stat e(S) :  A  sta t e is a c on c rete  and  im m ediat e  sit uation i n w hich  t he  a ge nt  fin ds  it sel f.   -   Re ward  (R):  A  r e ward is t he  f eedb ac k by  whic h  we  m easur e the s uccess  or f ai lu re  of an   agen t ’s  act io ns   Re inforcem ent  le arn i ng  re pr e sents  a n  a ge nt’ s  at tem pt  to  a ppr ox im at e  the  en vir on m ent’s   f un ct io n,  s uch  that  act ion s  can  be   sent  into  the  black - box  e nv i ronm ent  that  m axi m iz es  the  rew a rd s  it   sp it s  ou t.  It  le arns   seq uen ces  of a ct ion s t hat w il l l ead a n  a ge nt to  ac hieve  it s  goal  or m axi m ize  it s obj ect ive  fun ct io n.        3.2.    RLB MCS   The  arc hitec tu re  of   the  propose d   RLB MC S  scheduli ng  a lgorit hm   is  giv en  in  Fig ur e  2.  Disp at c her   runs  i n  on e   c ore  an d  it   is  res pons i ble  f or  sc he du li ng  of  ta s ks  to  t he  m ulti - cor es .  A  global  m ul ti le vel  feedback  qu e ue  is  us e d  to  place  the  ta sk s  an d  m ulti - cor e  ret rieves  the  ta sk s  from   n on - em pty   posit ion   of   the  Q ueu e .   The  num ber   of  slots  to  be  a ll ocated  to  the   ta sk   on   the  proces sor  is  de pende nt  on  th e  qu e ue  f ro m   wh e re   the  ta sk   is  fet ched.  By   this  way,  the  pr ee m pt ion   inter va l  is  var ie d  for   each  ta sk.  M os t  of  the  pr e vious   so luti ons,  perf or m ed  poorl y  because   of  to o  m any  pr eem ption s  an d  perf or m ance  was  i m pr ov e d  if  dy nam i c   pr eem ption   peri od   ca n  be  c hosen  base d  on  t ask  natu re  a nd   pr eem ption   is  con t ro ll ed .  F rom   this  po i nt  of   vie w ,   the  pr eem ption  pe rio d  is  m ad e  disc rete  in   th e  pro pose d  sys tem   by  al locat in g  di ff e ren t   ti m e  qu a ntu m   for  eac h  qu e ue  a nd   proc essor  all ocate t hat tim e q uan tum   to the task  base d  on the queu e  from  w hich  the task is fe tc hed.   The  inc om ing   ta sk s  an d  the  pr eem pted  ta sk s  are  sch ed ul ed  by  the  dis pa tc her   to  m ultilevel  feedback   qu e ue  base d  on   the m ulti  o bject ive optim iz at ion  r eal iz ed  us in g  Re inf or cem ent lea rn i ng. Th e Rei nfor cem ent lea rn i ng  is  m app ed  t o  RLB MC S  as  f ollows.  Ba sic a ll y,  reinfor cem ent  le arn i ng   is   base d  on  the  envo rironm ent,  agen t ,   sta te ,  act ion   a nd   re ward  bas is.  To  m ap  the   reinfo rce m ent   le arn in g  a pp li cat ion   to  our  s cheduli ng  the  sam e   hav e  b ee n  m ap ped as s how n  i n  Ta ble  2.           Figure  2.   RLBM CS   arc hi te c ture       Table  2.   Decla rati on of  obj ect s for   rein f or ce m ent lea rn in g   Env iron m en t   Multico re  P rocess o r   Ag en t   Disp atch er   State   Fo u r  states   ar e def in ed   1 .  Initial Stat e(S1)   2 .  Ob jectiv e Degr a d atio n  stag e(S2)   3 .  Ob jectiv e Pr o g r ess io n  Stage(S3 )   4 .  Ob jectiv e Stabil izatio n  Stage(S4 )   Actio n   Mapp in g  the task  to o n e of  the N qu eu es   Reward   The v alu e of  the  m u lti ob jectiv e f u n ct io n .       The   m ulti  obj ect ive   fun ct ion   is m odel l ed  as ,     O=w1 *C+w 2*T - w 3*( [T A/TAe]  - 1) - w 4*( [ WT/ W T e]   - 1) - w5*([RT/ RTe ]   - 1) +  w 6*DR     TAe is t he  S L A  ( Ser vice le ve l agr eem ent) defi ned turna round  ti m e   WTe is t he  S L A defi ned w ai t ing  ti m e   RTe  is the  SL A defi ned res ponse  ti m e   Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec  &  C om p  En g     IS S N: 20 88 - 8708       Rei nfo rce men t   le ar ni ng base d m ulti  co re sc he du li ng   ( RL B MCS)  for  real t ime syste m s…  ( Dh r uva R .  Rin ku )   1809   The  weig hts   va lues  ( w1,  w2…w 6)   a re  ass ign e d  ba sed  on  the  im po rta nce  to  t he  pa r a m et ers  as   def i ned   by  envi ronm ent.  Say  if  DR  is  i m po rtant,  the  w 6  val ue  will   be  giv e n  a  higher  val ue   com par ed  to  oth e r  weig hts.  F or   e ach  it erati on ,  we  get  the  ne xt   O  value,   it   cou ld  be  posi ti ve  in  case  of   bette r  or   neg at ive  in  case   of   worse  scen ario,   acc ordin gly  the  sta te   would  be  cha ng e d.   T he  sta te   transiti on   is  sh ow n  in  T able  3.   The  val ue  of  M  is  the  deg re e  of   co nf i de nc e  fo r  m igrati ng   from   S2   to  S3 .  T he  val ue  of   P  is  the  de gr ee  of   tolerance  from   S3   to  S 2  a nd   t ran sit io n  f ro m   S4   to  S2.  The  value  of   T  is  t he  de gree  of  sta bili ty   fo r  m ig rati ng   from   S3   to  S4 .   Ther e  a re  N  a ct ion s  co rresp ondi ng   t o  al loca ti on   of  ta sk   to  any  of   t he  N  queue .  At  eac h  sta te ,  the  act ion   t o  be   invok e d  is done  with   c onstra ints  on  the  ta sk  natu re  (its  CP U/IO  r at io ),   th e  tim e  it   has  spe nt  s o  far ,   dea dline   et c.  Ba sed   on  t he   co ns trai nts ,  a ct ion   to   place  the  ta sk  to  c or respo nd i ng  qu eue  is  im ple m ented,  wh ic h  a re  giv e n  in  Ta ble 4.       Table  3.   Stat e transiti on  of tasks  from   on e  qu eue to an othe r qu e ue     S1   S2   S3   S4   S1   X   Neg ativ e  O   v alu e   Po sitiv e O  v alu e   X   S2   X   Neg ativ e O  v alu e   Po sitiv e O  v alu e ov er  last  M  step s   X   S3   X   Neg ativ e O  v alu e  o v er  last P step s   Po sitiv e O  v alu e   Po sitiv e O  v alu e ov er  last T  step s   S4   X   Neg ativ e O  v alu e  o v er  last P step s   X   Po sitiv e O  v alu e       Table  4.   Acti ons t o be take n by ta sk s   A1   Fo r  a new  task  whi ch  jus t ar rived  allo cate to Q0  (hig h est p riority )   A2   Fo r  task  pree m p t e d ,  allo cate to on e l ev el belo w its last  Qu eu e allocated   A3   Fo r  task  pree m p t e d ,  allo cate to on e l ev el abo v e its last  Qu eu e allocated   A4   Fo r  task  pree m p t e d ,  allo cate to sa m e  level o f  last Queu e allocated       The  act io ns  ar e  done   in   eac h  sta te   f or  al loc at ion   of  ta sk s   to  the   co rr e spondin g  que ue  and  the   best   po s sible ac ti on s to be take n  for  achie ving t he  stable sta te  of  S4  is lea rn t  for  d if fer e nt n at ure of jo bs  a nd a rr ival   in  a  te st  env ir on m ent.  The  r ules  le arn t  are   then  use d  i n  producti on  r un  f or   ta s ks   in   that  correspo nd i ng  env i ronm ent. Th e  ps e udo  c ode  of the lea rn i ng pr ocedur e  is g i ven  bel ow ,         The   proposed  R LBMCS   sche dule r  is  re alize d  a s  bel ow.  Th ere   are   5  qu eu es  de fine d  [Q0,  Q1,   Q2,  Q3,  Q4] .   All  ta sks   whi ch  arr ive  as  eve nts  are   f irst  put   in   Q0.  Tas ks   in   Q 0  are   ta ke n  by  sche du le r   an d  pr i or it y  of  the  ta sk   is   cal culat ed  us i ng  the  propose d  RLM BC S  pr i or it y  cal culat ion   al gorithm .  The  pri ori ty   is  fr om   1  to  4.   Ba sed  on   pr i or it y,  the  ta sk s  a re  al locat ed  to  que ues.   Hen ce   Q 1  gets   the  ta sks  of  pri or it y  1,   Q 2  ge ts  pr i or it y  of  2,   an d  s o  on.   Eac h  of  Q ueu e  from   Q1   to  Q4   is  al lo cat ed  to  one  proc es sor  each .   Fo r  eac h  pr oc esso r,   the re  is  a  ta sk  routine  w hich  ta kes  the  ta sk s   fr om   their  correspo nd i ng   ta s ks   an d  us es  it   for  exec ution   i n  Rou nd  Ro bin   with   a  fixed   qu a ntum .   The  slots  are  al locat e d  to  process or   of   ea ch  queue  as ,  3  m s   fo r  Q 1,   2.5   m s  fo r  Q2,  2   m s   fo r   Q3,  an d  1.5  m s  fo r  Q 4.   T he  ta sk s   in  Q 1  are  giv e n  m or e  tim e  slot  fo r   exec utio n  tha n  ta sks  in  Q 4.   Af te r  the tim e sli ce com pleti o n,   t he  ta s ks  a re  ag ai n se nt to Q0 i f n ot co m plete d .       4.   PERFO R MANC E  RES UL T   The  pro posed   RLB MC S  s cheduli ng  is  i m ple m ented  on  F ree  RT OS   operati ng   syst e m   an d    the  perf or m ance  of   the  s ol ution   is  e valuated  a gainst   MLFQ  sc he du l in g  al go rithm   pr opos e d  in  [1 ] .   The per f or m ance is co m par e d i n  te rm s o f ,   -   Av e ra ge  tu rn a r ound ti m e   -   Com pleti on  ti m e   -   Re sp onse  tim e   Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2088 - 8708   In t J  Elec  &  C om p  En g,   V ol.  10 , No .  2 ,  A pr i l 202 0  :   1805  -   1813   1810   In  Fr ee   RTO S,   one  th rea d  is  m ade  to  s pa wn  ta sk s  with  dif f eren t  pr i or it y  a nd  exec utio n  ti m e  at   diff e ren t   rates   per   sec onds  an d  these  ta s ks   a re  exec uted  on   the  co res  a vaila ble  in  the  m achine.   The  te st  is  cond ucted   wit h  fo ll owin g para m et ers  as   sho w n  in  T a ble 5 an d  the  r es ults  obta ined  a re tab ul at ed  in   T a bles  6,   7, an d 8.        Table  5.   In it ia li zat ion   No  of  pro cess o rs   2  to 4   Nu m b e r  o f  T ask s   100   Qu eu e Size   10   SLOT  I n terval   10  m ill iseco n d s       Table  6.  T he  perf or m ance r es ult f or  t he  case  of  2  CP U    X   RLBMC   ML FQ   Av erage turn arou n d  ti m e(s )   90   276   Co m p letio n  ti m e(s )   801   1231   Res p o n se ti m e ( m s )   365   4 8 9 .3       Table  7.  T he  perf or m ance r es ult f or  t he  case  of  3  CP U    X   RLBMC   ML FQ   Av erage turn arou n d  ti m e(s )   4 6 .79   1 4 5 .80   Co m p letio n  ti m e(s )   541   911   Res p o n se  ti m e ( m s )   245   4 0 7 .8       Table  8.  T he  perf or m ance r es ults f or the cas e of  4  CP U    X   RLBMC   ML FQ   Av erage turn arou n d  ti m e(s )   1 9 .2   90   Co m p letio n  ti m e(s )   411   721   Res p o n se ti m e ( m s )   1 8 1 .2   3 3 7 .2       The  ave ra ge  tur naro und  ti m e  fo r  dif fer e nt   nu m ber   of  proces sor s  is  pl otted  bel ow   i n  Fig ur e  3.   The  a ver a ge  t urnaro und  ti m e  in  the  pr opos e d  RLB MC S  sche duli ng   i s  far   bette r  than  t hat  of  MLFQ.   The  reas on  f or  this  perform a nce  is  due  to   a dap ti ve   m ov e m ent  of  the  Ta sk s  ac r os s  t he  Qu e ues   in  RL BM CS  wh e n  com par e d  to  co ntinuo us  downg rad e  of  pr i or it y  in  M LFQ .  T he  com pleti on   tim e  of   the  ta sk s  fo r  var ie d  num ber   of pr oc esso rs  is  giv e n   in  Fig ure  4.                 Figure  3. Com par is on of t urn arou nd tim e for  RLB MC S w it h M LFQ   Figure  4. com par iso n of t asks   com pleti on  tim e  fo r  RLB MC S w it h M LFQ       Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec  &  C om p  En g     IS S N: 20 88 - 8708       Rei nfo rce men t   le ar ni ng base d m ulti  co re sc he du li ng   ( RL B MCS)  for  real t ime syste m s…  ( Dh r uva R .  Rin ku )   1811   Fr om   the  res ul ts,  the  c om pletio n  ti m e  in  RLB MC S  is  lowe r  tha n  that  of  MLFQ  t her e by  increasi ng    the  pr ocess or   ut il iz ation .  T he  reason  f or   re duct ion   in   com pleti on   ti m e  is  du e  to   preem pti on  of  t he  ta sks   w he n  any  IO   is  pres ent  an d  dow ng rad i ng   the  pr i ori ty   on   I O  in  c ase  of   MLF Q.   The  res ponse   tim e  m easur em ent  for  diff e re nt  proce sso r s  is  plo tt ed  belo w.   F ro m   the  resu lt ,  the   respon se  ti m e   in  the  RLB M CS  is  far   bette r  than   MLFQ.  T his  re du ct io n  in  res ponse   tim e  is  du e  to  ada ptive  pri or it y  ad j ust m ent  an d  m ov em ent  in  qu e ue  le vels,   so   that  fair  re sp onse  ti m e  is   ens ur e d.   The   res pons e  ti m e  is  m easur ed   for  diff e re nt  a rr ival  of  ta sks  an d   the  res ult  are  s how n  ab ove  in   Figures  5  a nd  6.   T he  res ponse   tim e  is  low  in  case  of   RL BM CS  com par ed  t o  MLFQ.  T he  c on te xt  switc h  ov e r head   in  te rm s  of   CPU  cy cl es  is  low  in  the  RLB MC S  com par ed   to  MLFQ  Sche du le r  as  gi ven   in  T able  9.   T he  CP U  Util iz at ion   acr os s  al l  co re  is   m easur ed  an d  plo tt ed  i n  Fig ur e  7.   The  CP U  Util iz at ion   is  inc r eased  in   RLB MC S  sche du li ng  com par ed   to  MLF Q  Sc he du le r.   T he  a ver a ge   ma kesp a n  f or   diff e re nt  ta sk   a rr ival  rate  is  s how n  in  Fi gure  8.   T he  ave ra ge   m ake  sp an   is  r edu ce d  in  RLB MC S   Sche du li ng c om par ed  to ML FQ .               Figure  5. com par iso n of Re spon s e ti m e fo r  RLB MC S w it h M LFQ   Figure  6. com par iso n of Re spon s e ti m e fo r  diff e re nt  ar riva l t i m e fo r  RLB MC S w it h  ML FQ       Table  9.  C on te xt sw it c h ov e r head      RLBMC   ML FQ   1 0  task s av erage   464   496   1 0  task s stan d ard d ev iatio n   32   33   3 0  task s av erage   578   612   3 0  task s stan d ard d ev iatio n   102   102               Figure  7. Com par is on of CP U  util iz at ion  fo r  RLB MC S w it h M LFQ   Figure  8. Com par is on for A ve rag e  Make  spa n for  RLB MC S w it h M LFQ     Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2088 - 8708   In t J  Elec  &  C om p  En g,   V ol.  10 , No .  2 ,  A pr i l 202 0  :   1805  -   1813   1812   Su m m ary of  th e res ults is gi ve n belo w :   -   The res pons e ti m e is reduced  i n pro po se d  RL BM CS com par ed  to  MLF Q   -   The  c onte xt s w it ch  over hea d  i n  te rm s o f  CP U  cy cl es is   lo w  in pr opos e d  R LBM CS   -   Av e ra ge  m ake sp a n  is l ow i n pro po se d  RLB MC S   -   The  ta s k  c om pleti on  ti m e and  turnar ound ti m e is reduced  i n pro po se d  RL BM CS       5.   CONCL US I O N   A  Re inf orcem ent  le arn i ng   ba sed  sc heduling  of   ta s ks   t o  m ult i  cor e  env i ronm ent  i s  pro po se d.   The  so l ution   optim iz es  m ul ti   obj ect ives in pla ce m ent o f  ta sk s.  Dy nam ic  qu ant um  f or  each  ta sk   with r e duct ion  of   pr eem ption ,   Sp eed up  or  slow   dow n  base d  on  the  cu rr e nt  load  a nd   t he   natur e  of   ta s k  are  al l  the  sal ie nt   featur e s  in  t hi s  m e thod  of  sche du li ng.   T he  prop os e d  s cheduler   w as   i m ple m ented  on  Fr ee   RTO S  an d   the  pe rfor m ance  was  eval uat ed  agai ns t  nu m ber   of   co res.  The  pr opos e d  so luti on  pe rfo rm s  bette r  than   MLFQ  sche du li ng  for m ul ti  co res.       ACKN OWLE DGE MENTS     We  ac knowle dge  the   dili ge nt   effo rts  of  M r  YVS  Ra vi ka nth   i n  guidi ng  t ow a r ds   im ple m entat ion   of  this idea.   Dh r uv a  is tha nkf ul to Dr . Asha ra ni for m entor in g  a nd h e r  s upport a nd  gu i dance f or  t his  wor k.       REFERE NCE S    [1]   Seife din e  Kadr y,   Arm en  Bagdas ar y an  “ New  D esign  and  Im plem ent at ion  of  M LFQ  Schedul in g  Algorit hm   for   Op era ti ng  S y s tem s  U sing  Dy n amic  Quantum”   Stat isti cs,   Opti mizat ion  And  I nformation  Computing .  Vol.   3 ,   pp. 189 - 196 ,  June  2015 .   [2]   Xiaoj i e  Li   and   Xianbo  He  “ The   improved  E DF   Schedul ing  Algorit hm   f or  Embedde d  Re al - ti m e  S y s te m   in   the   Unc ertain   En vironment”   ICA CTE   20 10 .   [3]   Jink y u  L ee   and   Kang  G.  Shin,   “ Pree m pt  a  Job  or  Not  in  E DF   Schedul ing  of  Uniproc essor  S y stems , ”  IE E E   Tr ansacti on  on  c omputers ,   vol .   6 3,   no .   5 ,   Ma y   20 14.   [4]   J.  Le e ,   A.  Ea sw ara n,   and  I.   Shin,  “ Maximizi ng  c onte nti on - fre e  e xec ut ions  in  m ult iprocess or  sche duli ng, ”  in  Proc .   IEE E   Re a l - Time   Technol. Appl.  Symp .   (RTAS),   pp.   235 – 244 ,   20 11 .   [5]   J.  Lee,   A .   E aswara n,   I.  Shin,  a nd  I.   Le e ,   “ On  opti m al   m ult ipr oce ss or  sche dul i ng  conside r ing  conc urre n c y   and  urge nc y , ” in  RTSS  Work - in - Pro gress   Session ,   p p.   21 – 24 ,   2010 .   [6]   J.  Lee,   A.   Ea s wara n,   and  I.  Shin,  “ LL F  sc hedul ab il ity   an a l y sis  on  m ultip roc essor  pla t for m s,”   in  RTSS ,    pp.   25 – 36 ,   2010 .    [7]   S.  K.  Lee,   “ On - l ine   m ult ipro ce ss or  sche duli ng  algorithms   for  real - ti m e  t asks,”   in  IEE E  Re gion  10 ’s  Nint h  Annual  Inte rnational   Co nfe renc e ,   pp.   60 7 – 611 ,   1994 .   [8]   M.  L.   Dert ouzos   and  A.  K.  Mok,   “ Multi proc essor  on - li ne  sche duling  of  har d - rea l - t ime  ta sks , ”   IEEE  Tr ansacti ons  on  Soft ware   Eng ine ering ,   vol .   15 ,   p p .   1497 – 1506 ,   1989 .   [9]   A.  Ea sw ara n ,   I.   Shin,  and  I.   Le e ,   “ Optimal  virt ua l  cl usterb ase d  m ult iprocess or  sche duli ng , ”  R eal - T ime  Syste ms ,   vol .   43,   no .   1 ,   pp .   25 – 59,   2009 .   [10]   M ark o  Bert ogna   and  Sanjo y   Ba rua h ,   “ Li m ited  Pree m pti on  ED F  Schedul ing  of   Sporadic   T ask  S y stem s,”   IE EE  Tr ansacti ons on Indus trial   Infor matic s,   Vol .   6 ,   n o.   4 ,   Novem ber   2010.   [11]   M.  Bert ogna,   O.   Xhani,   M.  Marinoni ,   F.  Esposit o,   and  G.  Butt a zz o,   “ Optimal  select ion  of  pre e m pti on  point s  to  m ini m iz e  pre emption  ov erh ea d , ”   in  Proc.  23rd  E urom ic ro  Conf.   Re al - Ti me   Syst .   ( ECR TS’11 ) ,   Porto,   Portug al,  Ju l .   6 – 8,   pp .   217 – 22 7 ,   2011 .   [12]   Abus a y e ed  Saif ull ah ,   Kunal   Agrawal ,   Chen y a n g  Lu  “ Multi - cor e  Re al - T ime  Sc hedul ing  fo r  Ge ner alize d   Para llel  Ta sk Model s”   I EE E   Re a l - Time  Syste ms ,   2011 .   [13]   Kal y an  Baital ,   Am la n  Chakra bar ti ,   “ D y nam ic  Schedul ing  of   Rea l - T ime  Tas ks  in  Hete roge neous  Multi co re   S y stems ”  IE EE  Embe dded  S ystem s Let te rs ,   2018 .   [14]   K.  Bai t al  and  A .   Chakr aba rt i,  "A n  Eff icient  D y namic  Schedu ling  of  Ta sks   for   Multi - cor e  R eal  Ti m e  S y stems ",     in  Adv anc es  in  Computing  Appl ic at ions,  Chakr abarti  A. ,   Sh arm a  N. ,   Bal as  V.   ( eds ) ,   Sing apor e:   Springe r ,     pp.   31 - 47 ,   2016 .   [15]   A.  S.  Radh aman i  and  E.  Babur aj,  “ Perform anc e  Eff icient  Het ero gene ous  Multi co re  Schedu li ng  St rat eg y   base d  on   Gene tic  Algor it h m ”,   A RP N  Journal  of   Engi n ee rin g  and  App li ed   Sc ie nc es ,  vo l. 8, no .   1 ,   pp .   26 - 32 ,   2 013.   [16]   J.  Rege hr ,   "S che duli ng  ta sks   with  m ixe d  pre emption  re la t ions  for  robustness  to  ti m ing  fau l ts",  Proc.   23rd  IE E E   Re al - Time   Syst .   Symp. ,   pp.   315 - 3 26,   De c .   2002 .   [17]   Parva r  Moham m ad,   M.E .   Parv ar,   and  Safa r i  Saee d ,   “ A  Starva ti on  Free   IMLFQ   Schedul ing  Algorit hm   Based  on  Neura l  N et work, ”   Int . J .   Computa t.   In te l l. Res . ,   vo l.   4 ,   no . 1,   27 – 36,   2008 .   [18]   K.  Bai t al,  A.  C hakr aba r ti,  A.  C hakr aba r ti,  N.  Sharm a,   V.  Ba la s ,   "A n  eff icient   d y nami c  sche du li ng  of  t asks  for  m ult ic ore   re al - t i m e  s y stems " i n  Advanc es  in   Co m puti ng  Applica ti ons,  Sing apor e:S pringe r,   pp .   31 - 47,   2016 .   [19]   M.  Bert ogna  an d  S.  Barua h,   “ Li m it ed  pre empti on  EDF  sche dul ing  of  sporadic   ta sk  s y stems , ”  IEE E  Tr ans.  Ind.   Informat . ,   vol. 6, no. 4, pp. 579 – 5 91,   Nov.   2010.   Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec  &  C om p  En g     IS S N: 20 88 - 8708       Rei nfo rce men t   le ar ni ng base d m ulti  co re sc he du li ng   ( RL B MCS)  for  real t ime syste m s…  ( Dh r uva R .  Rin ku )   1813   [20]   K.  La kshm ana n,   S.  Kato,   and   R.   R.   Raj kum ar ,   "S che duli ng  p ara l le l  re al - ti m e   ta sks   on  m ult i - cor e  proc essors , "     in   2010  31st   IE E E  R eal - Time   Sys te ms   Symposium,  San   Diego, CA ,   pp .   259 - 268 ,   2 010 .   [21]   C.   Ta n,   T .   S.  Muthukaruppa n,   T.   Mitra ,   L .   Ju,  "A pproximati on - awa re  sche dul ing  on  het ero ge neou s  m ult i - cor e   arc hi te c ture s" ,   P roc.   AS P - DAC/I EE E ,   pp .   618 - 62 3,   2015 .   [22]   Pricopi   M,   Mitr a   T.,  “ T ask  sc hed uli ng  on   ad apt iv e  m ult i - cor e , ”   IE EE   Tr ans Comput   63(10):2590 – 2603 ,   2014 .   [23]   A.  Hata m i,   S.  C hupra t,   H.  Md  Sarka n,   N.  Fird au s  Mohd  Az m i  " H y brid  Re al - T i m e  Ta sk  Sc hedul ing  Algorit hm   i n  Overl oad  Si tua t i on  for  Mult iprocess or  S y stem" ,   J TEC ,   Vol  9 ,   No   3 - 4 ,   2017 .   [24]   T .   Vai ram,  S .   Sara tha m bekai  "M ult iproc essor   ta sk  sche du li n g  proble m   using  h y br id  discr e te   par ti c le   sw ar m  opti m iz ation",Så dhanå ,   43: 206 ,  Dec ember  2018 .   [25]   A.  Shah  and  K.  Kotec h a,   “ ACO   base d  d y n amic  sche du li ng  a l gorit hm   for  rea l - ti m e  m ult iprocess or  sy st ems , ”   Inte rnational .   Jo urnal. of  Gr id  an d  High  P erformance   Comput ing ,   vol .   3 ,   no .   3 ,   pp .   20 – 30 ,   2011 .   [26]   Aghaz arian  V,  Ghor banni a  A,  Motla gh  NG ,   Nae ini   MK ,   “ RQSG - I :  an  opti m iz e d  rea l  t ime  sche duli ng  al gor it hm   for   ta sks   al locati on  in  grid  envi ron m ent s,”   2011  IEE E  3rd  Inte rna tional  Confer en ce  on  Comm unic ation  Software   an d  Networks,  Xi ' an ,   pp.   205 - 210 ,   20 11 .    [27]   Venka ta   Siva  Pr asa d  Ch.   and  S.  Ravi   “ Schedul in g  Of  Share d  Me m ory   W it h  Mult i  -   Core  Perform anc e  In  D y n amic   Alloc a tor  Us ing A rm   Proce ss or”   AR PN   Journal  o f  E ng ine ering   an d  Applied  S cienc es,   Vol .   11 ,   No.   9,   Ma y   2016.   [28]   Im ran   Qureshi,   “ CP U  Schedul in g  Algorit hm s:  A  Surve y ”  Int .   J .   Adv anc ed  Ne two rking  and  Appli cat ions ,   Vol .   05 ,   Iss ue   04,   Pa g es: 19 68 - 1973,   201 4.       BIOGR AP HI ES OF  A UTH ORS       Dh ruva  R.  Rin ku   was  born  in   Ahm eda bad,   In dia   in  1973 .   She  recei v ed  her   M.T ec h .   degr ee  in   digi tal  s y stems   &  Com pute r  Elec tron ic s  from   JN TU,   Hy d era b ad,   India   in  2009. Presently   she   is  purs uing  her   r ese arc h   work  on  s che dul ers  for  R TOS  on  m ult ic o re  proc essors .   She  has  b ee n  wor king  as  As socia te   Profess or  in  CVR  Coll ege   of  Engi ne eri ng.   H y de aba d  and  is   responsible   fo r  m ic roproc essors   and  embedde d   s y st ems   rel a ted  subjects  in   t he  dep art m ent  of  Ele ct ron ic s  and  Com m unic at ion Engi ne eri ng.         Dr.   M.   As haR ani   was  born  in  Srikakul am,  I ndia .   She  re cei ved  her   M.T ech.  degr e e  in  di git al   s y stems   &  Com pute r  E lectr oni c s  from   JN TU,   H y der aba d ,   Indi a  in  1997 .   She  r ec e ive d  h er  Ph D  in   El e ct roni cs  &  Com m unic at ion  Engi nee r ing  from   JN TU  Hy der abad i n  2008.   Presently   she  is worki ng  as  Profess or  in  Coll ege  of  Enginee ring ,   JN TU,   H y der aba d  in  th e  depa r tment  of   El e ct roni cs  and  Com m unic at ion  Engi neering  with  over   26  y e a rs  of  te ac hing  expe ri ence.   Her   rese arc h  int er e sts  inc lu d e  Faul t  T ole ran t  S y s te m s,  Design  for   Te s ta bilit y ,   Re al  Tim e  Embedde d  S y stem  Design   a nd  Multi - cor e  Emb edde d  S y stem D esign.     Evaluation Warning : The document was created with Spire.PDF for Python.