.png){kind=icon}
返回
A decomposition-based multi-objective evolutionary algorithm with reinforcement learning for workflow scheduling in cloud computing environment
.png){kind=icon}
PRE
AI
DOI：10.1007/s10586-025-05369-y.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
云计算已成为现代计算机科学不可或缺的一部分。云服务提供商（CSPs）通常针对不同用户需求具有多个相互冲突的目标。因此，云计算环境中的工作流调度是一个具有挑战性的多目标优化问题（MOP）。多目标进化算法（MOEA）是最常用的方法之一，但其对参数设置敏感，且存在早熟收敛和局部最优的问题。为提高收敛速度和最优解质量，采用增广切比雪夫（ATCH）作为目标分解方法，应用于基于分解的多目标进化算法（MOEA/D）。针对参数设置敏感的问题，设计了基于强化学习（RL）的Q-learning，以在ATCH方法中自适应地选择最优参数。本文提出了一种基于分解的MOEA结合Q-learning（QLMOEA/D），用于解决多目标工作流调度问题，同时考虑任务完成时间（makespan）、成本和负载。实验结果表明，所提出的QLMOEA/D在基准函数（ZDT和DTLZ）和真实科学工作流（SWFs）上均表现出更优的收敛性和多样性。在所有测试案例中，其有55.56%的案例达到最佳性能，并在makespan、成本和负载目标上，有94.44%的场景优于基线算法。
Keyword:
Cloud computing
Workflow scheduling
MOEA
Reinforcement learning
期刊
C
IF:
0
论文数:
691
被引数:
1
机构
引用论文
.png){kind=icon}
An energy-efficient, QoS-aware and cost-effective scheduling approach for real-time workflow applications in cloud computing systems utilizing DVFS and approximate computations利用DVFS和近似计算的云计算系统中实时工作流应用程序的节能，QoS感知和经济高效的调度方法
PREAI
分享收藏PlatEMO: A MATLAB Platform for Evolutionary Multi-Objective OptimizationPlatEMO: 用于进化多目标优化的MATLAB平台
OAAI
OAAI分享收藏A hybrid multi-objective metaheuristic optimization algorithm for scientific workflow scheduling科学工作流调度的混合多目标元启发式优化算法
PREAI
分享收藏Improved many-objective particle swarm optimization algorithm for scientific workflow scheduling in cloud computing面向云计算科学工作流调度的改进多目标粒子群算法
PREAI
分享收藏
查看更多内容