.png){kind=icon}
返回
Dynamic Multi-task Flow Scheduling Model Based on Heterogeneous Computing Platform
.png){kind=icon}
PRE
AI
DOI：10.1007/s13369-026-11474-w.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
异构计算平台为大规模工作负载提供多样化的处理单元，但由于跨平台性能差异、动态资源竞争以及缺乏细粒度任务表征，高效调度仍然具有挑战性。本文提出HETEROPERF框架以捕捉运行时性能特征和异构资源需求，实现精确的任务-资源匹配。基于这些表征，设计了一种基于深度强化学习（DRL）的调度方法，采用Soft Actor–Critic（SAC）算法处理动态多任务流，并通过优先经验回放进一步提升学习效率。大量仿真结果表明，所提出的方法在多样化调度场景下始终优于代表性基线方法，实现了更优的调度性能。
Keyword:
Heterogeneous computing platforms
Task characterization
Task flow scheduling
DRL
期刊
A
IF:
2.9
论文数:
1.2K
被引数:
0
机构
引用论文
Performant, Multi-Objective Scheduling of Highly Interleaved Task Graphs on Heterogeneous System on Chip Devices异构片上系统设备上高度交错的任务图的高性能多目标调度
OAAI
.png){kind=icon}
OAAI分享收藏A Graph-Based Deep Reinforcement Learning Model for Task Scheduling on Heterogeneous Resource-Elastic Management of Resource Pool面向异构资源的深度强化学习任务调度模型 -- 资源池弹性管理
PREAI
分享收藏Batch Jobs Load Balancing Scheduling in Cloud Computing Using Distributional Reinforcement Learning
PREAI
分享收藏Cost-Efficient Workflow Scheduling Algorithm for Applications With Deadline Constraint on Heterogeneous Clouds异构云上具有截止时间约束的成本有效的工作流调度算法
PREAI
分享收藏A collaborative scheduling method for cloud computing heterogeneous workflows based on deep reinforcement learning一种基于深度强化学习的云计算异构工作流协同调度方法
PREAI
分享收藏
查看更多内容