在大数据时代下的海量数据处理是当今高性能计算领域在异构多处理器系统中的一项重要研究内容。异构多处理器系统主要的考核指标是任务的执行时间和数据的访问速度,这些性能指标考核主要是通过合理的任务调度算法和数据放置算法对有限资源的分配来实现的。同时,随着高性能计算的发展,异构多处理系统要处理的问题越来越复杂,这导致了能量消耗不断增加,从而增加系统的运行成本、降低系统可靠性以及破坏环境等问题。因此,高性能和低能耗是在高性能计算中的大数据处理任务的重要评判标准。本文的主要的研究工作集中在异构多处理器混合内存系统中进行合理的任务调度和数据放置,从而提高系统的整体性能和降低能量的消耗。这里所讨论的混合内存是由DRAM与SSD构成的。本文根据当前的异构多处理器系统的实际应用情况提出了在异构多处理器混合内存系统中的任务调度和数据放置的策略。可是,传统的内存数据放置方案并不适合本文所采用的DRAM和SSD构成的混合内存,如果使用传统的方案不但不能提高其性能反而会使SSD的寿命快速消耗。因此,为了可以合理利用混合内存的优势,解决传统方案的不适应,本文做了如下工作:首先,本文提出了一个整数线性规划算法(ILP算法)和两个启发式算法,这三个算法主要是根据当前系统自身的性能特性来对任务进行实时调度和其相关数据的实时放置。其中,ILP算法是根据系统本身的能力和任务与数据之间关系,通过建立数学模型求解出在异构多处理器混合内存系统中的任务调度和数据放置的最优解。两个启发式算法分别是改进后的贪婪算法(IG算法)和任务调度和数据放置算法(DAA_TS算法)。这两种启发式算法都能在多项式时间内对实时应用得到近似最优的解决方案。然后,在解决异构任务调度和数据放置问题上,本文将提出的两个启发式算法分别与一种基于任务的贪婪算法进行对比。本文在两个异构多处理器系统上进行了大量的仿真实验研究,发现本文提出的算法展现了令人满意的性能,并证明了在任务调度中考虑数据位置是件十分有意义的事情,尤其是在节约能耗方面。最后,根据整数线性规划的最优性,将IG算法和DAA_TS算法的结果与ILP算法求解出的最优解分别进行对比,通过对实验结果分析得出本文提出的算法的结果与最优解之间的差距。IG算法得到的结果与最优解之间的差距超过了 20%,而DAA_TS算法处理得到的结果与最优解之间的差距超过了 10%。