.png){kind=icon}
返回
Learning to determine task priority for budget-constrained workflow scheduling in cloud
.png){kind=icon}
PRE
AI
DOI：10.1016/j.future.2025.108001.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在云计算中，高效的作业调度至关重要，尤其是在预算约束条件下。然而，随着作业的多样性和规模日益增加，确定任务优先级以实现最优资源分配变得更加困难。本文旨在通过提出一种预算约束的作业调度算法（称为LPWS）来解决这个问题。所提出的方法集成了一个基于神经网络的优先级确定器和一个自适应振幅扰动策略。优先级确定器利用从作业结构中提取的两个静态特征以及从持续搜索经验中衍生的三个动态特征，通过神经网络预测任务优先级。当优先级模型无法产生改进的解时，扰动机制会自适应地修改任务优先级以跳出局部最优。在五个真实科学作业上的实验表明，LPWS在调度质量方面始终优于当前最先进的算法。消融研究进一步验证了所提出的特征提取器、优先级确定器和扰动策略的有效性。这些结果表明，LPWS是云计算环境下预算约束作业调度的可扩展且有效的解决方案。
Keyword:
workflow scheduling
cloud computing
budget constraints
neural network
adaptive perturbation
期刊
F
IF:
0
论文数:
642
被引数:
0
机构
引用论文
.png){kind=icon}
Fiber-optics IoT healthcare system based on deep reinforcement learning combinatorial constraint scheduling for hybrid telemedicine applications基于深度强化学习组合约束调度的光纤物联网医疗系统，用于混合远程医疗应用
PREAI
分享收藏
Knowledge-driven adaptive evolutionary multi-objective scheduling algorithm for cloud workflows
PREAI
分享收藏
查看更多内容