本文以新兴的网格计算技术为背景,研究如何利用网格技术提高仿真的开发和运行效率,研究目标是解决网格仿真中的任务管理问题并验证所提方法的正确性和有效性。本文在仿真方法和任务调度算法两个层次上对基于网格的仿真进行了研究,内容主要包括基于网格的仿真框架、针对仿真应用的网格资源选择、序列和分布式仿真执行任务的调度策略、基于网格的仿真任务管理方法及软件系统等。本文的主要工作和创新体现为以下几点: 提出了一个基于网格的仿真集成框架GIFS(Grid-based Integrated Framework for Simulation)。GIFS框架解决了传统仿真环境向网格的移植问题,阐明了基于HLA的联邦服务的动态发现和邦员的动态集成问题,同时利用仿真资源库来支持建模仿真的重用。该框架在DEVS、HLA等建模仿真框架的基础上,将传统的建模仿真方法和组件集成到网格环境中,强调网格计算对仿真应用的透明支持作用。GIFS框架有效地集成了仿真客户端、仿真任务管理系统、网格中间件、仿真服务和仿真资源库等五个部分。 针对仿真任务在网格中的运行特点,提出了基于通信模式的网格资源选择方法。所提的网格资源选择算法能够自动地选择计算和通信性能均较优的网格资源来运行仿真,从而提高仿真运行效率并减少仿真交互的延迟。首先提出在网格中开展仿真应用时要根据通信模式来选择优化资源的问题,讨论了仿真应用中通信模式的评估方法,将常用的序列仿真和分布式仿真中的通信模式归类为Master-Slave型和All-to-All型。然后,针对两种典型的仿真应用通信模式提出了相应的网格资源选择算法,给出了算法的描述、分析了算法的原理。最后,利用仿真方法对所提出的算法进行了测试和验证。 提出了针对序列仿真的N-M任务调度策略。该策略解决了大量效能仿真实验的运行问题,不但显著缩短仿真运行时间,而且有效地规避了网格系统的不稳定性。调度策略是将Monte Carlo仿真中的N次实验扩大为M(>N)次实验,当M次中的N次成功完成就可认为总任务完成。为了设计和分析N-M调度策略,本文分析了网格资源的可用性概率分布模型,在此基础上,为N-M调度策略建立了性能模型。本文用仿真方法分析、验证了所提调度模型的正确性和有效性。 提出了针对分布式仿真任务的基于交互优先算法的实体调度策略。有效地解决了网格环境中分布式仿真任务的静态调度问题,该策略可以自动分配想定到网格结点上,而且比传统的基于空间的分解和二分法等方法效率更高、更合理。该策略的基本思想是将任务调度分为实体聚类和映射两阶段进行,聚类阶段采用一种改造的交互优先算法将交互关系较强的实体聚集到同一实体组中,该实体组将被分配到同一个网格结点上仿真,从而避免了大量的跨结点通信;映射阶段采用一种启发式方法,将聚类后的实体组调度到已经选择好的网格结点上,映射过程保证最小化跨结点通信和结点的计算平衡。