.png){kind=icon}
返回
Cross-layer dual-attention-based priority task scheduling for cloud-edge-end computing
.png){kind=icon}
PRE
AI
DOI：10.1007/s11227-026-08654-8.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
云边端计算凭借其低延迟和高可靠性为新兴应用提供了良好的支持。然而，高效的优先级感知任务调度仍具挑战性，因为任务负载、资源可用性和截止时间要求动态变化。本研究聚焦于受控云边端启发环境中的独立优先级感知计算任务调度，其中任务具有异构资源需求、执行时间和截止时间。为解决该问题，提出了一种基于跨层双注意力机制的分层深度强化学习方法（CDAHDRL）。上层采用近端策略优化（PPO）代理自适应选择全局任务排序的优先调度规则，而下层采用Actor-Critic代理将选定的任务分配至计算节点。引入跨层双注意力模块以交换全局优先级选择与局部资源分配之间的信息。在受控仿真设置下的实验结果表明，CDAHDRL在工期、平均延迟和准时完成率方面相较于代表性启发式方法、扁平强化学习、分阶段调度和无注意力变体实现了更稳定的整体性能。
Keyword:
Cloud-edge-end computing
Task scheduling
Cross-layer dual-attention mechanism
Deep reinforcement learning
期刊
T
IF:
0
论文数:
647
被引数:
0
机构
引用论文
.png){kind=icon}
A two-stage reinforcement learning-based approach for multi-entity task allocation基于强化学习的两阶段多实体任务分配方法
OAAI
OAAI分享收藏Joint Task Offloading, Resource Allocation, and Trajectory Design for Multi-UAV Cooperative Edge Computing With Task Priority具有任务优先级的多无人机协同边缘计算联合任务卸载、资源分配与轨迹设计
OAAI
OAAI分享收藏Flexible Job Shop Scheduling via Dual Attention Network-Based Reinforcement Learning基于双注意力网络强化学习的柔性作业车间调度OAAI
OAAI分享收藏
查看更多内容