Reinforcement learning-assisted evolutionary auxiliary optimization for multi-workflow scheduling in clouds

Huamao Xie

doi:10.1016/j.swevo.2026.102422

Reinforcement learning-assisted evolutionary auxiliary optimization for multi-workflow scheduling in clouds

2026-05-23

0

PRE

AI

DOI：10.1016/j.swevo.2026.102422

原文链接

原文求助

摘要

En 中文

云计算已成为工作流应用大规模迁移和应用需求多样化的重要平台。然而，在云计算中，多工作流调度极具挑战性，因为用户可能请求具有不同服务质量（QoS）需求的各类应用。为应对这一挑战，本文通过利用工作流之间的关系，将多工作流调度形式化为一个带有辅助任务（OPAT）的优化问题，并提出了一种强化学习辅助的进化辅助优化（RLEAO）方法，以在满足QoS约束的同时最小化工作流执行的最大完成时间、成本和能耗。具体而言，设计了一种关联挖掘策略，以探索工作流之间的潜在协同效益，从而识别辅助优化问题（任务）并构建OPAT。此外，开发了一种强化学习引导的知识转移策略，以在避免负迁移的同时自动在两个优化任务之间转移多样化知识。最后，引入了一种自适应种群调节策略，该策略根据种群进化期间的反馈动态分配解，从而提高算法在主优化任务中的搜索性能。针对各种真实工作流应用的广泛实验表明，RLEAO通过为多云系统中的多工作流调度提供更优的权衡解集，优于一些最先进的方法。

Keyword:

multi-workflow scheduling

cloud computing

reinforcement learning

evolutionary optimization

quality of service

Reinforcement learning-assisted evolutionary auxiliary optimization for multi-workflow scheduling in clouds

摘要

期刊

机构

引用论文