1.一种基于NSGA2的带截止时间约束的处理器功耗感知调度方法，其特征在于，使用任务约束度定义Pareto占优规则来比较可行域中不同解之间的优劣，采用在考虑了任务通信同步与处理器运行队列后的改进的任务调度模型，通过基于NSGA2算法的快速非占优排序以及拥挤算子实现调度功耗和调度时间两个目标的优化，在保证任务完成时间不超过截止时间的同时降低处理器功耗。

2.根据权利要求1所述的方法，其特征在于，主要包括以下几个步骤：步骤1：初始化种群P＝Pinit，Pinit表示用于生成解的初始种群；

步骤2：使用快速非占优排序对P进行排序；

步骤3：使用拥挤算子计算P中每个个体的拥挤度；

步骤4：对种群P进行选择、交叉和变异操作，得到下一代临时种群Ptemp；

步骤5：将种群P和临时种群Ptemp进行合并，得到新种群P＝P+Ptemp，然后使用快速非占优排序对得到的新种群P进行一次排序；

步骤6：按照每个个体的拥挤度从大到小选择P中的个体到一个新种群Pnew,直到P中的个体数等于Pnew的个体数为止；

步骤7：将新种群Pnew作为下一代种群，即P＝Pnew；

步骤8：重复步骤4-7，直到种群代数达到最大代数为止，最后种群中的解即是调度算法的最优解。

3.根据权利要求2所述方法，其特征在于，所述步骤2中的快速非占优排序需要使用Pareto占优规则，规则的具体步骤如下：步骤2.1：对于两个解A和B，计算约束度FA和FB；

步骤2.2：如果FA＝0且FB＞0,则A相对B占优；

步骤2.3：如果FA＞0且FB＞0且FA＜FB,则A相对B是占优的；

步骤2.4：如果FA＝0且FB＝0，计算A和B的调度时间tA，tB以及调度功耗pA,pB；计算条件cond＝tA≤tB∧pA≤pB∧(tA＜tBVpA＜pB)，如果cond为真则A相对B是占优的；

步骤2.5：如果以上条件均不满足，则A相对B不是占优的。

4.根据权利要求2所述方法，其特征在于，所述步骤2中计算每个解的调度时间和调度功耗使用了改进的任务调度模型，在改进的任务调度模型中，每个任务拥有开始时间和完成时间两个属性；定义任务i的开始时间为STi，完成时间为FTi，所在处理器的就绪时间为PEi，在考虑了任务通信同步以及处理器运行队列后，任务的开始时间表示为：其中nj∈pred(ni)表示任务j是i的前继任务，Cj，i表示任务j到任务i的通信时间；

任务的完成时间表示为：

FTi＝STi+wi

其中wi表示任务i的执行时间；

处理器的就绪时间表示为：

其中nr-1表示运行队列中当前任务的前一个任务，nk∈succ(nr-1)表示任务nk为任务nr-1的后继任务，C表示通信时间；

当运行队列为空时，处理器立即开始执行任务，处理器的就绪时间为0；当运行队列不为空时，处理器的就绪时间取决于运行队列前一个任务的完成时间以及该任务的通信时间。

5.根据权利要求2所述方法，其特征在于，所述步骤3中使用了拥挤算子计算个体的拥挤度，拥挤度定义为个体周围个体的密度；假设快速非占优排序中生成的一个前沿面为F，前沿面F的第i个个体拥挤度为Ci，某个优化目标的最大值为Omax，最小值为Omin，则个体拥挤度定义为：由于存在调度功耗P和调度时间T两个目标，因此在计算拥挤度时需要进行两次；步骤如下：步骤1：将前沿面F的所有个体的拥挤度初始化为0；

步骤2：按照调度功耗对前沿面F中的个体从小到大排序；

步骤3：将F中第一个个体和最后一个个体的拥挤度设置为Pmax；

步骤4：从第二个个体开始到倒数第二个个体，计算每个个体的拥挤度步骤5：按照调度时间对前沿面F中的个体从小到大排序；

步骤6：将F中第一个个体和最后一个个体的拥挤度设置为Tmax；

步骤7：从第二个个体开始到倒数第二个个体，计算每个个体的拥挤度

6.根据权利要求2所述方法，其特征在于，所述步骤4使用了选择、交叉和变异操作生成下一代种群，选择算子使用锦标赛算法，选取k个个体中适应度最高的个体(默认k取3)，个体适应度结合了个体拥挤度和快速非占优中的分级，假设个体A和个体B的等级为A.rank和B.rank，拥挤度为A.crowding_distance和B.crowding_distance，则A适应度比B要好当且仅当A.rankB.crowding_distance。

选择算子首先从种群P中随机选择k个个体，计算每个个体的拥挤度，然后根据个体适应度从k个个体中选出最佳个体；交叉算子使用经典的两点交叉算法，首先从个体的调度序列中随机选择两个任务t1和t2，然后将个体A和B的t1和t2之间的任务进行交换，包括每个任务分配的电压等级和处理器id，得到新个体A′和B′；变异算子使用单点变异算法，首先随机选择个体A调度序列中的一个任务，然后将任务的处理器id和电压等级随机变为一个新的值，得到新个体A′。