.png){kind=icon}
返回
Efficient Multi-Agent Optimized Reinforcement Learning Algorithm-Based Task Scheduling in Fog-Cloud Environment
.png){kind=icon}
PRE
AI
DOI：10.1080/03772063.2025.2567597.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
雾-云计算对于可以整合到智能(IoT)支持中的关键活动至关重要，它通过结合受控资源异构性云和移动边缘资源来优化任务调度。然而，雾-云环境中的任务调度会带来主要障碍，包括随机行为、网络层级、受控资源异构性、设备移动性和资源能力。此外，这些挑战还涉及优化多个冲突目标，例如在确保可靠性和可扩展性的同时最小化能耗、计算成本、完成时间和延迟。传统的任务调度方法往往无法应对雾-云环境的动态特性，导致资源利用率低下和系统性能下降。因此，本文提出了一种适用于雾-云环境的任务调度方法。首先，一个IoT传感器收集用户任务，并将其提交给雾-云环境进行调度。任务调度器收集任务管理器和资源管理器收集的任务和资源信息。在调度过程中，使用优化强化学习(ORL)算法将任务分配给资源，该算法结合了Q学习和增强鲑鱼优化(EPuO)算法。EPuO算法通过选择Q学习的最佳动作序列来提升其决策能力。为了达到最佳动作状态，所提出的EPuO算法将延迟和能耗作为目标函数的两个参数进行考虑。所提出的ORL算法保留了与状态适当动作相关的Q值，从而节省存储空间。采用Python实现了所提出的方法。通过多种指标评估所提方法的有效性，并将其与其他方法进行比较。
Keyword:
Fog-cloud computing
IoT devices
optimised reinforcement learning algorithm
Q-learning, and enhanced pufferfish optimisation algorithm
Task scheduling
期刊
IF:
1.3
论文数:
261
被引数:
3.3K
机构
引用论文
Job scheduling problem in fog-cloud-based environment using reinforced social spider optimization
OAAI
OAAI分享收藏Task scheduling in fog environment-Challenges, tools & methodologies: A review.png)
COMPUTER SCIENCE REVIEW
COMPUTER SCIENCE REVIEWIF12.7
PREAI
分享收藏HunterPlus: AI based energy-efficient task scheduling for cloud-fog computing environmentsHunterPlus: 云-雾计算环境下基于AI的高能效任务调度INTERNET OF THINGS
OAAI
INTERNET OF THINGSIF7.6
OAAI分享收藏分享收藏Real-Time Task Scheduling Algorithm for IoT-Based Applications in the Cloud-Fog Environment云雾环境下物联网应用的实时任务调度算法OAAI
OAAI分享收藏
查看更多内容