http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.
변환된 중국어를 복사하여 사용하시면 됩니다.
태스크 그래프의 재구성에 의한 효율적 태스크 스케줄링에 관한 연구
변승환,유관종,Byun, Seung-Hwan,Yoo, Kwan-Jong 한국정보처리학회 1997 정보처리논문지 Vol.4 No.9
본 논문은 병렬 처리 시스템 환경에서 효율적인 태스크 스케줄링에 관한 연구로써 태스크 그래프의 재구성에 의해 전체 수행 시간을 단축시키는데 목적을 두고 있다. 태스크 스케줄링은 m개의 테스크를 n개의 프로세서에 할당하는 연구인데 이는 많은 문제점을 갖고 있다.[1, 4, 9] 일반적으로 이 문제를 해결하는 것은 NP-hard 문제로 알려져 있다. 이러한 문제를 해결하고자 본 논문에서는 주어진 태스크 그래프를 재구성하여 스케줄링 하는 방법을 제시하였다. 태스크 그래프와 시스템 그래프를 이용하여 효과적으로 수행이 될 수 있는 재구성 태스크 그래프(RTG)를 만들고 이를 스케줄링 함으로써 기존의 논문에서 준 최적의 결과를 얻기 위해 태스크 스케줄링후에 재할당 및 반복 수행의 과정이 사용하였는데 이를 없애면서 빠른 시간안에 스케줄링이 이루어지도록 하였고 스케줄링의 결과 또한 향상시켰다. This paper presents an effective heuristic task scheduling algorithm for multiprocessor systems. To execute task scheduling effectively which is defined as an allocation of m's tasks onto n's processors(m > n), several problems almost at NP-hard should be cleaned up. The purpose of the task scheduling obtains the minimum execution time by mapping the tasks on a system topology or reduces the total execution time to give a minimum system topology. In order to solve this problem, in this paper, the task scheduling is done by redefining a task graph to a reconstructed task graph (RTG). An RTG is obtained by merging or copying nodes to equal the number of nodes on each level of the task graph to the number of processors of the system topology and then directly scheduled to the system topology. This method obtains a fast scheduling time and a simple scheduling method, and near-optimal execution time without executing steps such as the refinement step and the duplication step after the task scheduling.
변승환 우송대학교 부설 산업연구원 2003 산업연구 Vol.5 No.1
The goal of research is to introduces the concept of DACUM modeling in the game education processing. In this peper, we design and modeling of the education processing, which is game develpoment method, game implementation technique, game developement tools. And we compare and analysis of the education method with the job and the compter game job.
대전드론방산클러스터 구축을 위한 국방드론산업 인력양성 방안 연구
변승환,김문성,강종규 사회혁신기업연구원 2022 혁신기업연구 Vol.7 No.3
본 연구에서는 국방드론 관련 군의 기술의 개발현황, 연구기관, 방산기업체 및 중소벤처기업, 대학의 R&D 현황에 대하여 조사하고 국방드론 산업의 활성화를 위해서는 보다 체계적인 인력양성의필요성을 강조한다. 이를 위하여 산·학·연·관 ‘대전드론방산클러스터’를 구축하고 지역 드론산업 활성화를 위한 클러스터내 지역중소벤처기업의 역할과 교육기관의 역할을 제시한다. 또한 드론산업 인력의 양성을 위한 드론훈련센터 등의 구축 및 운영을 제안하며 마지막으로 드론산업 맞춤형 인력양성 방안을 제시하였다.
태스크 그래프의 재구성에 의한 효율적 태스크 스케줄링에 관한 연구
변승환(Byun Seung Hwan),유관종(Yoo Kwan Jong) 한국정보처리학회 1997 정보처리학회논문지 Vol.4 No.9
This paper presents an effective heuristic task scheduling algorithm for multiprecessor systems. To execute task scheduling effectively which is defined as an allocation of m's tasks onto n's processors(m > n), several problems almost at NP-hard should be cleaned up. The purpose of the task scheduling obtains the minimum execution time by mapping the tasks on a system topology or reduces the total execution time to give a minimum system topology. In order to solve this problem, in this paper, the task scheduling is done by redefining a task graph to a reconstructed task graph(RTG). An RTG is obtained by merging or copying nodes to equal the number of nodes on each level of the task graph to the number of processors of the system topology and then directly scheduled to the system topology. This method obtains a fast scheduling time and a simple scheduling method, and near-optimal execution time without executing steps such as refinement step and the duplication step after the task scheduling.
글랜 그래프의 Independent 노드를 이용한 태스크 그래프의 병렬 수행
류정섭,변승환,신현산,유관종 충남대학교 기초과학연구소 1995 忠南科學硏究誌 Vol.22 No.2
We present the method of computation for the total execution time of the task graph onto a parallel processing system. To search the near-optimal execution time, we used the cost metric and the graph decomposition together. And then, the unit function defined that compute the execution time of the clan node with the weight of nodes and the communication costs.
Clustered 데이타 흐름 그래프의 성능평가에 관한 연구
유관종,변승환 충남대학교 1991 忠南科學硏究誌 Vol.18 No.1
This paper is to evaluate the performance for the Partitioning Data Flow Graph. For the simulation, the input is a Partitioned Data Flow Graph and the target machine is a modified MIT Data Flow System. The goal of the performance evaluation is to compare between clustering data flow graph and no clustering data flow graph and to see the throughput between one PE and n PE in clustered data flow graph.