CN119396561A 算力网络环境下基于强化学习的多维资源的任务调度方法 （北京邮电大学）_第1页
CN119396561A 算力网络环境下基于强化学习的多维资源的任务调度方法 （北京邮电大学）_第2页
CN119396561A 算力网络环境下基于强化学习的多维资源的任务调度方法 （北京邮电大学）_第3页
CN119396561A 算力网络环境下基于强化学习的多维资源的任务调度方法 （北京邮电大学）_第4页
CN119396561A 算力网络环境下基于强化学习的多维资源的任务调度方法 （北京邮电大学）_第5页
已阅读5页，还剩15页未读， 继续免费阅读

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

算力网络环境下基于强化学习的多维资源本发明公开一种算力网络环境下基于强化2云计算平台将需要执行的任务分解为多个子任务，确将步骤三分解的子任务分配到计算资源上，基于强化学习方法2.如权利要求1所述的算力网络环境下基于强化学习的多维资源的任务调度方法，其确定状态空间：状态空间包括待处理的任务模型以及可用的确定奖励函数：奖励函数是当智能体采取某个动作并观察到某个通过待处理任务模型以及可用的资源环境模型的参数，将状态空间映射到动作空间，33.如权利要求1所述的算力网络环境下基于强化学习的多维资源的任务调度方法，其4.如权利要求1所述的算力网络环境下基于强化学习的多维资源的任务调度方法，其45[0024]根据步骤4.2映射出的动作空间6[0039]图1为本发明的一种算力网络环境下基于强化学习的多维资源的任务调度方法流[0054]实施例中，采用强化学习算法中的Q_learning方法，在某一时刻的s状态下(s∈78[0088]根据步骤4.2映射出的动作空间9同数量的任务调度所花费的全部时间如图3所示，完成相同数量的任务调度的资源利用率任务并将资源分配给虚拟机所需的总完成时间对比，本发明方法优于随机分配算法57.97优于粒子群优化算法46.92如图4所示，三种方法完成所有任务并将资源分配本发明方法优于随机分配算法69.65优于粒子群优化算法33.68本发明方法缩短云

人人文库> 全部分类> 行业资料 > 信息产业

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论