随着高性能计算(High-Performance Computing,HPC)技术的发展，高性能计算机的性能有了质的飞跃，但其能耗也相应的快速增长。大规模计算集群系统消耗了越来越多的能量，在运营成本、环境和系统可用性等方面产生各种问题。目前，超级计算和HPC计算机的功率消耗已达到兆瓦级别，排名第一的“Summit”已达到9.783兆瓦。因此，HPC计算机所面临的能源消耗问题已成为该领域发展的一个重要挑战。本文围绕HPC计算系统的能量消耗和任务调度研究工作展开，具体包括同构和异构计算环境下的能量感知任务调度和能耗约束任务调度算法。在此基础上，针对大规模计算密集性应用以及高性能计算需求，将所提出任务调度算法部署于高性能计算系统，并应用在航空飞机机翼变形的高效模拟工作。本文的主要工作和创新点如下：
　　(1)研究了HPC系统的能量感知任务调度问题，提出一种基于DVFS技术的能量感知任务调度(EASLA)算法。该算法使用DVFS技术为每个任务分配不同的工作频率，从而有效降低系统的整体能耗，同时考虑系统的服务水平协议(Service Level Agreement,SLA)的完工时间和能耗两个衡量指标。算法首先为每个任务找到最大的独立任务集，以增加使用松弛调度的并行性。接着为非关键任务分配松弛调度，以最大限度地减少能耗。EASLA算法能够实现能耗和性能之间的权衡，能有效降低计算集群的能量消耗。
　　(2)与同构计算集群相比，异构计算集群中各计算节点的计算能力和能量消耗存在显著差异。因此，在研究工作(1)的基础上，进一步分析了面向异构计算集群的任务调度和能量消耗问题，提出一种面向异构计算系统的能量感知任务调度(HD-EASLA)算法。分别构建异构计算节点模型、能量消耗模型和节点通信模型。详细设计了算法在异构计算系统下的任务调度过程和需要考虑的各种约束条件。该算法根据应用程序的能耗约束，为各个计算任务分配合适的计算节点，并使用DVFS技术调整各计算节点的工作频率，从而有效降低系统的整体能耗。分别使用分子动态编码程序(Molecular)和声纳数据流应用程序(DSP)两组实际应用程序的任务调度实验来评估所提出算法的有效性。
　　(3)研究工作(1)和(2)的任务调度算法优化目标是调度长度和能耗最小化，但此类方法需要大量迭代操作以求解全局最优解，计算复杂度太高。因此，本工作进一步提出了一种基于能耗约束的任务调度算法，通过对计算集群的总体能耗进行约束使得在满足约定能耗的条件下实现任务调度优化。该算法应用于HPC计算系统中的应用程序，可以在满足给定能耗约束的条件下，对计算任务进行调度优化，以实现调度长度最小化。提出一种基于能耗水平的任务预分配机制，为任务分配的能耗约束提供了严格的依据。进行一系列仿真实验以验证所提出算法的有效性。实验结果表明，所提出的算法能够对未分配的计算任务进行能耗预测，在能耗约束下获得更优的任务调度方案。该算法在性能上明显优于基于能耗最小化的任务调度算法。
　　(4)将研究工作(1)至(3)的并行任务调度算法应用于实际高性能计算应用领域，提出一种基于高性能计算的网格变形并行算法及其在航空飞机机翼变形模拟的应用。分别提出径向基函数和Choleskey分解方法的并行化算法，根据径向基函数和Choleskey分解方法，实现网格变形并行算法最后，将所提出的网格变形并行算法分别应用于航空飞机机翼变形和航空结构动力学气动弹性分析。实验结果表明所提出的并行任务调度算法能够有效提高网格变形算法的运行性能。
　　本文工作具有重要的研究和实际应用价值，特别在高性能计算和节能环保时代背景下，充分利用高性能计算和并行计算资源，研究了多种任务调度算法以有效降低计算系统的能量消耗问题。并且探索了HPC计算技术在航空领域的应用，为其他领域的实际应用研究奠定了坚实基础。