由于处理器性能高速发展,能耗成为人们不得不关注的问题,因此多核低功耗调度的问题一直是现在的研究热点。在现有的多核低功耗调度的研究上,存在下面三个问题。第一,在模型建立过程中,很多学者只考虑了将任务划分到处理器,然后进行任务调度,并未有效的结合低功耗技术DVFS和DPM进行研究。此外,在能耗的计算上,大多数学者只考虑到了动态能耗、静态能耗、通信能耗等,没有将睡眠能耗、电压切换能耗、睡眠电压切换能耗一起考虑在内。第二,优化算法使用中,很多学者采用启发式算法例如遗传算法、粒子群算法等,这些算法非常容易陷入局部最优,尤其是当作业数量较多时,算法的求解效果非常不理想。第三,大多数学者只关注算法的运算效果,很少有学者注意算法的运算时间问题。事实上,当作业数量很大时,优化算法的运算非常耗时。针对第一个问题,在第二章中建立模型的过程中,结合DVFS和DPM低功耗技术,并综合考虑了上述的六种能耗。针对第二个问题,在第三章首先实现了遗传算法和粒子群算法,然后提出了模板矩阵替换优化算法(TMR),该算法受到形态学算法的启发而设计,具有良好的局部搜索能力。最后在通过对比实验对上述算法进行效果分析,根据实验结果,TMR算法在轻任务场景下,平均能耗下降率比粒子群算法高出10%~15%,比遗传算法高出15%~25%。TMR算法平均能耗下降率在重任务场景下比粒子群算法高出25%~30%,比遗传算法高出45%~50%。但是实验也表明,TMR算法在重任务场景下耗时非常严重,作业数量很大时,TMR算法耗时会远远高于遗传和粒子群算法。针对第三个问题,针对TMR的耗时问题,首先利用Q-Learning算法对其进行改进——提出了Q-TMR算法,降低算法在解空间的搜索次数,即时间和能耗的计算次数。然后在Q-TMR的基础上,提出了断点计算的概念,降低算法计算任务调度时间和能耗的时间消耗。最后实验表明,在重任务场景下,改进后的算法相对于TMR算法虽然平均能耗下降率降低了15.61%,但是耗时却减少了47.33%。