随着处理器发展趋于多核化和专用化,以多核CPU和众核GPU为代表的异构运算平台被广泛地应用于模型仿真和分子预测等领域。若要最大限度利用异构计算平台的优势,则需要将计算任务合理分配到计算单元。流应用程序是众多计算任务中的一类,存在于信号处理和机器学习领域,可抽象为同步数据流图。同步数据流图将程序内部的并行性显式地展现,针对同步数据流图的调度研究日趋火热。但是现有的同步数据流图调度算法,难以在异构系统上取得较好的调度效果。本文的主要研究内容和贡献如下:1.提出数据流通用并行计算模型-SDAG模型。针对数据流程序在冯诺依曼体系结构下缺少通用的并行计算模型,本文以同步数据流图为研究对象,研究同步数据流图的抽象表示形式-有向无环图和数据流计算思想。在有向无环图模型基础上,结合数据驱动思想提出了SDAG并行计算模型。在SDAG中,通过设计特定的队列实现通信和数据驱动,SDAG模型指明了数据流角色的创建过程和通信方法。2.改进了列表式调度算法。为验证调度算法性能和训练调度智能体,设计并实现了同步数据流图随机生成算法,生成满足用户需求的同步数据流图。针对已有调度算法存在着计算复杂、并行利用率低和负载不均衡问题,本文首先改进优先级计算方法,避免在原图中创建额外顶点,同时也降低了优先级计算时间复杂度。在实例选择阶段使用短作业优先策略,在处理器选择阶段使用最早完成时间策略,提高了调度算法并行利用率和计算资源负载均衡。3.提出基于深度强化学习的调度方法。针对启发式调度策略灵活性差等瓶颈问题,本文提出了基于深度强化学习的同步数据流图调度方法-Milk T。设计了适用于调度同步数据流图的状态空间和动作空间,应用了图神经网络学习特征向量的表示,提高了机器学习模型的收敛速度。Milk T为调度同步数据流图角色提供了更具有潜力的解决方案。在实验部分,使用所设计的同步数据流图随机生成器生成测试数据,与已有的调度算法相对比,本文改进的调度算法和深度强化学习方法在模拟异构系统下的平均加速比分别提高了63.20%和22.14%。两种方法均取得了较好的调度效果,同时也证明了基于深度强化学习调度同步数据流图角色的有效性和灵活性。