本发明公开一种基于Q学习的混合云作业调度方法,使用多agent并行学习,即每个agent独立进行最优策略学习,当某个agent最先得到满足error<θ条件的策略时,就进行agent间的知识迁移。本发明通过分析用户作业在云环境中的执行流程,以最小化用户作业完成时间和等待时间为优化目标,设计了一种基于强化学习的混合云作业调度方法,并采用并行多agent技术加速最优策略的收敛,提高了云资源的利用率,降低了用户等级协议的违约率。
📄 2016102617062
📂 G06F9_48
👤 广东石油化工学院
📅 2016-04-22
本发明提供一种基于Deep Q‑network算法的多资源云作业调度方法,包括四个步骤:通过云环境采集资源的当前配置信息和作业的需求信息;所述资源的当前配置信息和作业的需求信息分别以矩阵图像表示,所述包括单元格,同一种彩色的单元格表示同一个作业,同一种彩色的单元格形成的矩形包括M×N个单元格,M表示资源数,N表示时间步;根据所述矩阵图像,利用深度学习方法得到高层语义信息;根据所述高层语义信息,利用强化学习方法完成资源的实时调度规划。本发明矩阵图像能完全清晰地表示资源与作业的状态。本方法还使用了深度强化学习,将深度与强化学习进行了结合,其中深度学习主要完成环境状态感知,而强化学习完成决策,实现状态到动作的映射。
📄 2018109368267
📂 G06F9_48
👤 广东石油化工学院
📅 2018-08-16