.png){kind=icon}
返回
Deep reinforcement learning with evolved actions for dynamic workflow scheduling in distributed fog computing
.png){kind=icon}
PRE
AI
DOI：10.1016/j.neucom.2026.133115.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
分布式雾计算环境下的动态工作流调度（DWSDFC）是一个关键优化问题，对满足现代应用的计算需求具有重要意义。DWSDFC的动态性和分布式特性使其成为一个极具挑战性的任务，尤其是难以通过传统调度方法解决。近年来，深度强化学习（DRL）已作为一种强大的动态调度问题解决方案出现，能够在各个决策点选择适当的调度规则作为动作。DRL的有效性在很大程度上取决于这些调度规则。然而，这些调度规则通常是手动设计的，并且需要大量的领域专业知识。鉴于此，本研究专注于自动化设计DRL动作以提升其问题求解性能。首先，将DWSDFC表述为一种去中心化的部分可观测马尔可夫决策过程。然后，提出一个多智能体DRL框架，包含路由智能体和排序智能体以应对DWSDFC。具体而言，排序智能体的动作通过一种称为遗传编程（GP）的进化算法生成。为增强进化动作集的多样性以及DRL的性能，将基于动作行为差异的分层技术整合到GP中。在多种DWSDFC实例上的广泛实验结果证明了所提方法相较于常见调度规则以及最先进的DRL和GP方法的有效性。
Keyword:
Deep reinforcement learning
Dynamic workflow scheduling
Distributed fog computing
Genetic programming
Multi-agent systems
期刊
IF:
6.5
论文数:
2.5W
被引数:
6.5W
机构
暂无机构信息
引用论文
Social Informer: Pedestrian Trajectory Prediction by Informer With Adaptive Trajectory Probability Region OptimizationJiang, Z., Yang, R., Ma, Y., Qin, C., Chen, X., and Wang, Z. (2025b). Social informer：基于Informer和自适应轨迹概率区域优化的行人轨迹预测。IEEE Trans. Cybern. 2025, 1–14. doi: 10.1109/TCYB.2025.3613498
.png){kind=icon}
PREAI
分享收藏
Architectural Design Alternatives Based on Cloud/Edge/Fog Computing for Connected Vehicles基于云/边缘/雾计算的互联车辆建筑设计方案
OAAI
OAAI分享收藏Multi-Agent Deep Reinforcement Learning Framework for Renewable Energy-Aware Workflow Scheduling on Distributed Cloud Data Centers面向分布式云数据中心可再生能源感知工作流调度的多Agent深度强化学习框架
PREAI
分享收藏A Two-Stage Estimation of Distribution Algorithm With Heuristics for Energy-Aware Cloud Workflow Scheduling能量感知云工作流调度的启发式两阶段分布估计算法
PREAI
分享收藏分享收藏
查看更多内容