3. 并行调度基础与评价指标
参数扫描任务一旦从“单机顺序跑”升级为“多机并行跑”，调度器就必须回答三个问题：先跑谁、放到哪、什么时候算跑完。这三个问题分别对应调度目标、约束条件和问题分类。本节围绕大型参数扫描这一具体场景，把调度目标（makespan、吞吐量、资源利用率）、约束条件（CPU/GPU/内存/IO）和调度问题分类讲清楚，为后续的调度算法设计打基础。
一、三个核心调度目标
Makespan（完工时间）指从第一个任务开始执行到最后一个任务结束所经历的时间，即整批扫描的“墙钟时间”。它是参数扫描最直观的目标：用户提交 500 组参数，最关心的是“多久能全部跑完”。makespan 由关键路径决定——即使大部分机器空闲，只要有一个长任务还在跑，makespan 就不会缩短。因此缩短 makespan 的关键是让长任务尽早开始，并尽量把长任务与短任务搭配填充。
吞吐量（Throughput）指单位时间内完成的任务数，常用“任务/小时”度量。它与 makespan 相关但不完全等价：当任务长度差异很大时，追求高吞吐量意味着优先让机器保持忙碌、减少空转，而不一定让整批最早结束。例如一批任务中有 1 个耗时 10 小时的大任务和 99 个耗时 10 分钟的小任务，若先跑大任务，makespan 约为 10 小时出头；若先跑小任务，大任务最后才开始，makespan 可能接近 11 小时，但前 10 小时内吞吐量很高。调度策略必须明确当前优化的是哪一个。
资源利用率指资源被有效使用的时间占比，如 CPU 利用率 = 累计 CPU 忙碌时间 / (机器数 × makespan)。参数扫描中常见的浪费是“等资源”：任务已就绪，但因内存不足或 GPU 被占而排队。利用率低往往意味着约束条件没有被合理匹配，而不是任务不够多。
二、约束条件：四类资源的匹配关系
参数扫描任务的资源需求差异很大：有的任务只吃 CPU（如数据预处理、轻量数值计算），有的必须占 GPU（如深度学习训练），有的内存占用高（如大矩阵运算），有的 IO 密集（如频繁读写中间结果）。调度器必须为每个任务记录资源需求向量，并在分配时同时满足所有维度。
以一台 8 核 CPU、1 块 GPU（显存 24 GB）、64 GB 内存的节点为例，一个任务声明 cpu=4, gpu=1, mem=32GB，则同一节点最多同时容纳 2 个此类任务（CPU 和内存都恰好用满），GPU 成为第三个任务的瓶颈。若任务声明 cpu=2, gpu=0, mem=8GB，则可与 GPU 任务共存，实现 CPU 与 GPU 的互补填充——这正是提高利用率的关键手段。
IO 约束常被忽视。当多个任务同时读写同一块共享存储时，带宽会被摊薄，单个任务的实际耗时可能远高于预期。调度器若能把 IO 密集任务在时间上错开，或限制单节点并发 IO 任务数，就能避免“资源看似空闲、任务却变慢”的假象。
三、调度问题分类
从调度理论看，参数扫描调度属于多机、多资源约束、任务长度已知或可估计、任务间无依赖的调度问题。按任务长度是否可预知，分为确定性调度（已知每个任务预计耗时，可用 LPT 等启发式）和在线调度（任务陆续到达、长度未知，需动态决策）。按是否允许抢占，分为非抢占（任务一旦开始必须跑完，参数扫描通常如此）和可抢占（可中断后恢复，需检查点支持）。按资源维度，分为单资源和多维资源问题；参数扫描几乎总是多维的，属于 NP 难的组合优化问题，实际系统多采用启发式或元启发式求解。
四、用示例算一遍指标
假设有 4 个参数扫描任务，预计耗时分别为 A=6h、B=4h、C=3h、D=2h，运行在 2 台同构机器上，任务不可抢占、无依赖。方案一按提交顺序分配：M1 跑 A 再跑 C（6+3=9h），M2 跑 B 再跑 D（4+2=6h），makespan=9h，平均利用率=(9+6)/(2×9)=83.3%。方案二采用 LPT（Longest Processing Time first，最长任务优先）：先排 A 到 M1，再排 B 到 M2，C 排到当前负载较轻的 M2（4+3=7h），D 排到 M1（6+2=8h），makespan=8h，利用率=(8+7)/(2×8)=93.75%。同一批任务，仅调整分配顺序，makespan 缩短 1 小时、利用率提升约 10 个百分点——这就是调度目标与约束匹配带来的直接收益。
需要说明的是，上述数值为教学示例中的假设参数，用于说明指标计算与分配逻辑，并非实际集群实测结果。真实环境中任务耗时会波动，调度器通常用历史运行数据估计任务长度，并预留安全余量。
五、实践中的判断依据
在实现或选型调度器时，建议先明确主目标：若用户最关心“整批何时结束”，以 makespan 为主，采用 LPT 类启发式并优先启动长任务；若系统面向持续提交的扫描流，则以吞吐量为先，保持机器高占用、减少空转。约束建模上，务必把 CPU、GPU、内存、IO 作为独立维度记录，分配时逐维校验，避免“CPU 够但内存不够”导致的无效调度。分类上，参数扫描多为非抢占、多维资源、NP 难问题，不必追求最优解，启发式加动态回填（backfilling）通常已能获得接近最优的效果。评价时同时记录 makespan、吞吐量和各资源利用率，三者结合才能判断调度策略是否真正适配当前负载。