.png){kind=icon}
返回
Learning-Augmented Scheduling
.png){kind=icon}
PRE
AI
DOI：10.1109/TC.2024.3441856.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
最近学习理论的复兴为我们提供了更准确的预测能力。通过研究具有作业规模预测的统一相关机器非透视调度中的制造时间最小化，这项工作为具有预测的在线调度的新兴研究议程做出了贡献。我们的任务是设计使用预测并具有与预测质量相关的性能保证的在线算法。我们首先提出了一个简单的独立于算法的预测误差度量来量化预测质量。然后，我们设计了一个离线改进的2-松弛决策程序，该程序近似于最佳时间表，以有效地使用预测。通过决策过程，我们提出了一种假设已知预测误差的在线O(min {log eta，log m}) 竞争静态调度算法。我们使用此算法来构造不假设已知错误的鲁棒O(min {log eta，log m}) 竞争性静态调度算法。最后，我们扩展了这些静态调度算法，以解决作业随时间到达的动态调度。动态调度算法获得与静态调度算法相同的竞争比。提出的算法只需要适度的预测就可以打破Omega(log m) 竞争比率的下限，从而显示出预测在管理不确定性方面的潜力。
Keyword:
Prediction algorithms
Heuristic algorithms
Optimal scheduling
Dynamic scheduling
Single machine scheduling
Scheduling algorithms
Minimization
Learning-augmented algorithms
scheduling
makespan
predictions
期刊
IF:
3.8
论文数:
5.4K
被引数:
9.8K
机构
引用论文
Estimating runtime of a job in Hadoop MapReduce在Hadoop MapReduce中估计作业的运行时间.png)
JOURNAL OF BIG DATA
OAAI
JOURNAL OF BIG DATAIF6.4
OAAI分享收藏分享收藏分享收藏
查看更多内容