Energeticky efektivní rozvrhování zohledňující stav zdroje: Modelování a optimalizace

Abstract

Energeticky efektivní rozvrhování si v posledních letech zísaklo značnou pozornost vědecké komunity.Tento trend bude s největší pravděpodobností pokračovat i v budoucnu, protože energeticky efektivní rozvrhování pomáhá dosáhnout udržitelnosti výroby, zlepšit energetickou účinnost a snížit tak náklady na spotřebu energie. Tato práce se zaměřuje na offline rozvrhování s důrazem na energetickou efektivitu v prostředích, kde se stav zdroje mění v čase a ovlivňuje spotřebu energie.Příklady takových zdrojů zahrnují například průmyslové pece používané pro kalení oceli, výrobní zařízení (CNC) nebo dokonce vestavěné systémy na čipu.Velký důraz je v této práci kladen zejména na modelování stavu zdroje a návrh energeticky efektivních optimalizačních metod, které tento model zdroje integrují.Cílem je ukázat, jak může vhodné modelování zdrojů v kombinaci s vhodnou optimalizační metodou překonat doposud používané metody a postupy.Abychom tohoto cíle dosáhli, studujeme tři nezávislé problémy představující průřez teoretických i praktických výzkumných problémů zahrnujících energeticky efektivní offline rozvrhování s netriviálním zdrojem.Motivace pro první problém vznikla během spolupráce s firmou Škoda Auto. Cílem je analyzovat a modelovat kalící pec, které je součástí linky na kalení oceli, a navrhnout optimalizační metodu pro minimalizaci spotřeby energie v časových intervalech, kdy je pec nečinná. Druhý problém se zaměřuje na obecný zdroj, který lze charakterizovat konečným automatem v prostředí, kde se ceny energie mění v čase. Opět je cílem navrhnout optimalizační metodu zahrnující model zdroje, která by optimalizovala celkové náklady na spotřebu energie.. Třetí problém, definovaný ve spolupráci se společností Honeywell, zahrnuje energeticky efektivní rozvrhování bezpečnostně kritických úkolů na víceprocesorovém systému na čipu, kde rozvrhování jednotlivých úloh podléhá omezením časové izolace.Pro řešení prvního problému analyzujeme chování pece na kalení oceli a identifikujeme bilineární model, který jej dokáže věrně simulovat. Na základě tohoto modelu jsme schopni poté odvodit optimální řízení pece pro jakoukoli délku intervalu její nečinnosti. Optimální spotřeba energie pro libovolně dlouhý interval je pak abstrahována a zachycena tzv. energetickou funkcí. Pomocí této abstrakce jsme schopni navrhnout rozvrhovací algoritmus řešící studovaný problém (rozvrhování na jednom zdroji s fixním pořadím úloh) v polynomiální časové složitosti. Abychom vyřešili druhý problém, rozšíříme definici energetické funkce tak, aby zahrnovala nejen délku intervalu nečinnosti, ale také náklady na energii. Poté můžeme vyvinout matematický model integrující tuto rozšířenou energetickou funkci. Abychom vyřešili třetí problém, analyzujeme chování několika reálných fyzických platforem reprezentující moderní multiprocesorové systémy. Poté navrhneme několik modelů příkonu, které integrujeme do několika optimalizačních metod. Výsledkem je srovnávací studie hodnotící věrnost modelů příkonu, výkon metod a jejich škálovatelnost.Výsledky napříč všemi studovanými problémy ukazují, že pečlivým návrhem modelu a optimalizační metody lze dosáhnout výsledků podstatně překonávající nejmodernější metody a postupy používané v příslušných oblastech.

Energy-efficient scheduling has been attracting a considerable amount of attention in recent years. This trend is most likely to continue in the future since energy-efficient scheduling helps to achieve and maintain production sustainability, improve energy efficiency, and reduce energy costs.This thesis focuses on offline energy-efficient scheduling in environments where the state of the resource changes in time and influences energy consumption. Examples of such resources include industrial furnaces used for steel hardening, manufacturing equipment (e.g., CNC), or even embedded electronic systems on a chip.We focus especially on the modeling of the resource state and design of energy-aware optimization methods, including the integration of the resource model into the methods.The goal is to show how suitable resource modeling combined with an appropriate optimization method can improve state-of-the-art solutions.To reach that goal, we study three use-case problems representing samples of both theoretical and practical problems involving offline energy-aware scheduling with a complex resource model.The first problem is motivated by the steel-hardening production line in Škoda Auto. The objective is to analyze and model the hardening furnace and propose an optimization method to minimize energy consumption during the time intervals when the furnace is idle. The second problem involves a general resource that can be characterized by the finite state machine in the environment where the energy prices change in time. Again, the goal is to have an optimization method incorporating the finite state machine model of the resource that would optimize overall energy consumption cost. Finally, the third problem defined by Honeywell company, involves energy-efficient scheduling of safety-critical tasks on a multiprocessor system on a chip under temporal isolation constraints. Considering our solution approach, we analyze the behavior of the steel-hardening furnace and identify a bilinear system model that can faithfully simulate it. Then, we derive an optimal control of the furnace for any idle interval length. The optimal cost is then abstracted and captured by the so-called idle energy function. Using this abstraction, we propose a scheduling algorithm solving the studied single-machine fixed-sequence scheduling problem in polynomial time complexity. To solve the second problem, we extend the notion of idle energy function to include not only the idle period length but also the energy costs. Then, we propose a mathematical model that efficiently integrates this extended energy function. Finally, to solve the third problem, we analyze the behavior of several real physical platforms mounting modern multiprocessor systems on a chip. Then, we propose several power models and optimization methods and provide a comparative study addressing models fidelity, methods performance, and scalability. The results across all studied problems show that with careful design choices, the optimization performance can be substantially improved, and the state-of-the-art methods used in the respective fields can be outperformed.