Adaptive online scheduling of tasks with anytime property on heterogeneous resources
服务器的可接受响应时间在许多客户端-服务器应用程序中是一个重要方面;这在服务器被许多计算密集型请求过载的情况下是显而易见的。在这项工作中，我们认为，请求，或在这种情况下的任务，由客户端生成的优化问题的实例，解决任何时候的算法，即解决方案的质量增加与任务的处理时间。这些任务被提交给服务器，服务器将它们调度到处理任务的可用计算资源。为了解决过载问题，我们提出了一种调度算法，它结合了传统的调度方法与质量控制启发式调整所要求的质量的解决方案，从而改变任务的处理时间。引入了两种有效的质量控制算法：第一种算法为所有任务设置全局质量，而第二种算法为每个任务独立设置质量。此外，在实践中，处理时间和质量之间的关系并不是先验已知的。因为它是至关重要的调度算法至少知道这些关系的估计，我们提出了一个一般的程序，估计这些关系使用的信息从已经执行的任务。最后，所提出的调度算法的性能表现在一个现实世界的问题，从域的人员排班具有非常好的结果。
2018-02-08 cs.DC
Robust Scheduling in Cloud Environment Based on Heuristic Optimization Algorithm
本文针对云计算中不可预测扰动导致的性能下降问题，定义鲁棒性度量方法并提出启发式优化算法进行鲁棒调度，实验表明其性能优于DE和PSO算法。
2023-11-29 cs.DC
A Survey on Dynamic Job Scheduling in Grid Environment Based on Heuristic Algorithms
Nallamuthu Gounder Mahalingam College（纳拉穆图·冈德·马哈林加姆学院）
计算网格是分布式计算系统发展的新趋势。它们允许以有效的方式共享地理上分布的资源，扩展了我们所认为的分布式计算的边界。各种科学可以从使用网格来解决CPU密集型问题中受益，为整个社会创造潜在的利益。作业调度是并行和分布式计算的重要组成部分。它允许为特定作业选择正确的资源匹配，从而提高作业吞吐量和资源利用率。作业应该以自动的方式进行调度，以使系统更可靠、更易访问，并且对子系统故障不太敏感。本文综述了各种启发式算法，用于网格调度。
2014-02-21 cs.AI cs.DC
Local-Search Based Heuristics for Advertisement Scheduling
在MAXSPACE问题中，给定一组广告A，想要将A的子集A'放入K个槽B_1，.，尺寸为L的B_K。A中的每个广告A_i具有大小s_i和频率w_i。如果任何时隙中的广告的总大小至多为L，并且A'中的每个广告A_i恰好出现在w_i个时隙中，则调度是可行的。我们的目标是找到一个可行的时间表，最大限度地提高所有插槽占用的空间。我们介绍MAXSPACE-RDVV，一个MAXSPACE的推广发布日期，截止日期，可变频率，和广义利润。在MAXSPACE-RDVV中，每个广告A_i具有发布日期r_i >= 1、最后期限d_i >= r_i、可能与s_i无关的利润v_i以及频率的下限和上限w^min_i和w^max_i。在这个问题中，广告可能只出现在时隙B_j中，其中r_i <= j <= d_i，目标是找到一个可行的调度，使调度的广告的值之和最大化。本文提出了基于元算法GRASP、VNS、局部搜索和禁忌搜索的MAXSPACE和MAXSPACE-RDVV算法。我们比较了我们提出的算法与Kumar等人（2006）提出的混合遗传算法。我们还创建了一个版本的混合遗传算法的MAXSPACE-RDVV和比较它与我们的元算法。一些元遗传算法，如VNS和GRASP+VNS，有更好的结果比混合遗传算法对这两个问题。在我们的算法中，我们应用了一种技术，在最大化和最小化槽的充满度之间交替，以获得更好的解决方案。我们还…
2022-09-16 cs.DC
Visualization of Job Scheduling in Grid Computers
作业调度是网格计算研究的热点问题之一。作业调度问题是NP完全问题，因此，使用启发式算法是解决这一问题的实际方法。提出了一种基于鱼群、作业调度器和可视化网格仿真的作业执行设想。
2013-08-02 cs.DC
Comparative Analysis of GPGPU based ACO and PSO Algorithm for Employee Scheduling Problems
粒子群优化算法（PSO）和蚁群优化算法（ACO）与数学算法和其他启发式优化技术相比，具有简单、易于实现、对控制参数具有鲁棒性、计算效率高等优点。PSO和ACO的计算非常简单。与其它发展计算相比，它具有优化能力大、计算简单等优点。它被用来解决许多NP-Hard问题。员工调度是许多组织面临的现实生活中的NP-Hard问题。在所有情况下，自我计划并不总是可行和可能的。护士排班是涉及到高度约束的资源分配问题到插槽的法律转变早些时候，这个问题是解决使用不同的启发式算法。在这篇论文中，我们提出了基于GPGPU的并行PSO和ACO解决员工调度问题。为了并行化这两种算法，使用主从方法。BCV 8.13.1数据集用于实验目的。根据平均值、标准差、标准平均误差对结果进行分析。关键词：员工排程，并行化，粒子群算法，GPGPU。
2022-03-23 cs.DC
Data Replication Meets Function Scheduling in the Edge-Cloud Continuum
Politecnico di Milano（米兰理工大学）
研究边缘-云连续体中函数调度与数据放置的联合优化问题，提出全局视图和聚合视图两种启发式方法，实验表明数据放置比函数调度影响更大。
2026-07-15 cs.DC
A Survey on Scheduling Techniques in the Edge Cloud: Issues, Challenges and Future Directions
本文综述边缘云中的调度技术，分类启发式与元启发式算法，评估其优劣、QoS与容错性，并指出问题、挑战及未来方向。
2025-10-18 cs.DC
Effects of Hard Real-Time Constraints in Implementing the Myopic Scheduling Algorithm
Myopic是一种硬实时的【形】进程调度算法，它基于启发式函数从所有就绪进程的子集（Window）中选择合适的进程，而不是像原始启发式调度算法那样从所有可用进程中选择。该算法的性能主要取决于所选择的启发式函数，该函数为不同的参数分配权重，如截止日期，最早开始时间，处理时间等，以及窗口的大小，因为它只考虑n个进程中的k个进程（其中，k<= n）。本研究评估的近视算法的性能为不同的参数，以证明该算法的优点和限制。在实施近视算法的窗口大小的影响的比较性能，并通过一组实验进行了讨论。
2014-07-01 cs.DC cs.OS
A Makespan Lower Bound for the Scheduling of the Tiled Cholesky Factorization based on ALAP scheduling
由于多核架构和大规模并行性的出现，平铺Cholesky分解算法最近受到了广泛的关注，并经常被从业者作为案例研究。它也在主流的密集线性代数库中实现。然而，我们注意到，该算法的并行性的理论研究是目前缺乏的。在本文中，我们提出了新的理论结果的上下文中的一个平行齐次模型没有通信成本的平铺Cholesky分解。我们对任务使用标准的基于浮点数的权重。对于$t$ -by- $t$矩阵，我们知道平铺Cholesky算法的关键路径是$9t-10$，所有任务的权重是$t^3$。在这种情况下，我们证明，没有计划少于$0.185 t^2$处理单元可以完成的时间小于关键路径。在透视图中，一个朴素的界限给出了$0.11 t^2.$，然后我们给出了一个时间表，它需要少于$0.25 t^2+0.16t+3$处理单元来完成的关键路径的时间。在角度来看，一个天真的时间表给出$0.50 t^2.$此外，给定一个固定数量的处理单元，$p$，我们给出一个执行时间的下限如下：$$\max( \frac{t^{3}}{p}, \frac{t^{3}}{p} - 3\frac{t^2}{p} + 6\sqrt{2p} - 7 , 9t-10).$$后一个公式的兴趣在于中期。我们的结果源于观察，平铺Cholesky分解是更好地表现时，我们安排它与ASAP（尽快）启发式（尽可能晚）启发式。我们还提供了密切匹配的执行时间的下限调度算法…
2015-10-17 cs.DC
Carbon-Aware Workflow Scheduling with Fixed Mapping and Deadline Constraint
本文研究混合能源中心的工作流碳减排调度问题，将其形式化为固定映射与排序的调度问题，证明单处理器下多项式可解而多处理器下为NP-hard，并提出启发式框架CaWoSched，结合贪婪与局部搜索显著降低碳排放。
2025-08-11 cs.DC
Workflow decomposition algorithm for scheduling with quantum annealer-based hybrid solver
提出串并联工作流分解（SPWD）启发式算法，结合D-Wave约束二次模型求解器解决大型工作流调度问题，突破了求解器容量限制，并在WfCommons真实实例上验证了有效性。
2025-06-02 cs.DC
Learning Interpretable Scheduling Algorithms for Data Processing Clusters
针对数据处理集群中DAG作业调度，提出从复杂深度学习模型行为中蒸馏简单调度策略的方法，实现可解释性并易于适应边缘情况，且保真度高、性能优于原模型。
2024-05-29 cs.DC
Online Algorithms for a Generalized Parallel Machine Scheduling Problem
我们考虑不同的在线算法的并行机的广义调度问题，在第一节中详细描述。这个问题是经典的并行机调度问题的推广，当使跨度最小化，在这种情况下，每个工件只包含一个任务。另一方面，所考虑的问题仍然是一个特殊版本的工作流调度问题。我们提出了几种启发式算法，并通过计算机测试进行了比较。
2015-02-08 cs.DC
Heuristic Algorithms for Co-scheduling of Edge Analytics and Routes for UAV Fleet Missions
Indian Institute of Science（印度科学学院）；Missouri Univ. of Science & Tech.（密苏里科技大学）
无人机（UAV）或无人机越来越多地用于交通监控和建筑勘测等城市应用。自主导航允许无人机访问航点并完成任务的一部分。一个常见的活动是悬停和观察一个位置使用机载相机。深度神经网络（DNN）的进步允许对此类视频进行分析，以进行自动决策。无人机还拥有边缘计算能力，用于通过这种DNN进行机载推理。为此，对于一支无人机机队，我们提出了一种新的任务调度问题（MSP），该问题共同调度飞行路线，以访问和记录航点处的视频，以及随后的机载边缘分析。建议的时间表最大限度地提高效用的活动，同时满足活动的最后期限，以及能源和计算的限制。我们首先证明了MSP是NP-困难的，然后通过制定一个混合整数线性规划（MILP）问题最优解决它。接下来，我们设计了两个有效的启发式算法，JSC和VRC，提供快速的次优解。使用真实无人机跟踪对这三个服务器进行的评估展示了不同工作负载下的实用程序-运行时权衡。
2021-02-06 cs.DC cs.RO
Adaptive Energy-aware Scheduling of Dynamic Event Analytics across Edge and Cloud Resources
作为物联网（IoT）的一部分，传感器的部署越来越多，正在产生数千个事件流。复杂事件处理（CEP）查询提供了一个有用的范例，对这些数据源的快速决策。虽然通常集中在云中，但在现场部署有能力的边缘设备激发了对跨边缘和云计算的协作事件分析的需求。在这里，我们确定了一个新的问题，即在边缘和云资源上放置查询，以动态地到达和离开分析流程。我们将其定义为一个优化问题，以最小化所有事件分析的总完工时间，同时满足资源的能量和计算约束。我们提出了4种自适应算法和3种重新平衡策略，并使用100 - 1000个边缘设备和虚拟机的详细模拟来验证它们。结果表明，我们的算法提供O（秒）的规划时间，在所有情况下，提供一个有效的和高质量的解决方案，并减少查询迁移的数量。此外，再平衡策略在这些物流中应用时，显着减少了约20 - 25%的完工时间。
2018-01-03 cs.DC
Optimal Task Scheduling Benefits From a Duplicate-Free State-Space
研究了具有通信时延（P| prec，c_{ij}| C_{ \mathrm{max} }）的启发式解通常使用近似方法来求解，但是很难保证这些启发式解的质量。因此，最佳的时间表是非常宝贵的，正确评估这些算法，以及在时间关键系统的应用程序非常有用。使用分支定界算法（如A*）的最优求解在过去已被证明是有前途的，我们称之为穷举列表调度（ELS）的状态空间模型。这种模型的明显弱点是，它会导致在搜索过程中产生大量的重复状态，需要特殊的技术来减轻这一点，这需要额外的时间和内存。在本文中，我们定义了一个新的状态空间模型（AO）中，我们把问题分为两个不同的子问题：首先，我们决定所有的任务分配到处理器，然后我们为了产生一个完整的时间表，在其分配的处理器的任务。这种两阶段状态空间模型不提供产生重复的可能性。我们还描述了如何修剪技术和优化开发的ELS模型适应或过时的AO模型。实验评估表明，这种新的状态空间模型的使用导致能够在一个可行的时间范围内被调度的任务图的数量显着增加，特别是对于具有高通信计算比的任务图。最后，提出了一些先进的下界算法的AO模型，并评估表明，显着的收益可以实现从必要的空闲时间的考虑。
2019-01-21 cs.DC
Scheduling in Cloud,Fog, and Edge Computing: A Comparative Analysis and Decision Framework for Technique Selection
Department of Computing and Software, McMaster University（麦克马斯特大学计算与软件系）
本综述对比分析云、雾、边缘计算中不同调度技术的权衡，开发了基于多维度因素的调度技术选择决策框架，为相关场景的调度方法选型提供指导。
2026-10-12 cs.DC
Deep Reinforcement Agent for Scheduling in HPC
Illinois Institute of Technology（伊利诺伊理工学院）；Argonne National Laboratory（阿贡国家实验室）；Northern Illinois University（北伊利诺伊大学）
集群调度器是高性能计算中的关键技术。它决定何时以及哪些用户作业应该分配给可用的系统资源。现有的集群调度算法是由人类专家根据他们对特定HPC系统和工作负载的经验开发的。然而，计算系统的日益复杂性和应用程序工作负载的高度动态性给手动设计和调整的调度算法带来了巨大的负担。HPC中的集群调度需要更积极的优化和自动化。在这项工作中，我们提出了一个自动化的HPC调度代理DRAS（深度强化代理调度），利用深度强化学习。DRAS是建立在一个新的，分层的神经网络纳入特殊的HPC调度功能，如资源预留和调度。提出了一种独特的训练策略，使DRAS能够快速学习目标环境。一旦系统管理员给出了一个特定的调度目标，DRAS自动学习，以改善其政策，通过与调度环境的互动，并动态调整其政策的工作负载的变化。不同生产负载的实验表明，DRAS优于现有的启发式和优化方法高达45%。
2021-04-19 cs.AI cs.DC cs.LG
Intelligent strategies for DAG scheduling optimization in Grid environments
提出了一种网格环境下动态DAG调度问题的解决方案。提出了一种分布式、可扩展、高效、容错的任务优化分配算法。具有依赖关系的任务的调度算法使用启发式模型来优化任务执行的总成本。提出了一种基于遗传算法的资源优化分配方法。实验使用MonALISA监测环境及其扩展。结果表明，与其他调度方法相比，这种DAG调度算法的性能非常好。
2011-06-27 cs.DC
Dynamic Fractional Resource Scheduling vs. Batch Scheduling
提出了一种新的同构集群计算平台的作业调度方法。它的主要特点是使用虚拟机技术以精确和受控的方式共享部分节点资源。其他基于虚拟机的调度方法主要集中在技术问题或现有的批处理调度系统的扩展，而我们采取了更积极的方法，并寻求找到最大限度地提高与工作绩效相关的客观指标。我们推导出绝对性能界限，并为调度问题的在线、非透视版本开发算法。我们进一步评估这些算法在模拟合成和现实世界的HPC工作负载，并比较我们的算法标准批处理调度方法。我们发现，我们的方法提高了批量调度的数量级的工作拉伸，同时导致可比或更好的资源利用率。我们的研究结果表明，虚拟化技术与轻量级的在线调度策略相结合，可以提供显着的性能改善执行HPC工作负载。
2011-06-24 cs.DC
A Comparison of Random Task Graph Generation Methods for Scheduling Problems
如何生成具有相关属性且无偏见的实例仍然是一个开放的问题，对于公平比较算法至关重要。在具有优先约束的调度上下文中，实例由确定任务执行的部分顺序的任务图组成。为了避免在主要由平凡实例填充的集合中选择实例，我们依赖于量化特定于困难实例的特性的属性。在众多已识别的此类属性中，质量度量了任务图可以分解为更小的任务图的程度。这个属性，再加上深入分析现有的随机任务图生成方法，建立了次指数一般时间复杂度的研究问题。经验观察现有的生成方法对调度算法的影响，总结我们的研究。
2019-02-15 cs.DC cs.PF
A heuristic method for data allocation and task scheduling on heterogeneous multiprocessor systems under memory constraints
Huazhong University of Science and Technology（华中科技大学）；Huawei Technologies Co., Ltd.（华为技术有限公司）
异构多处理器系统中的计算工作流经常被建模为任务和数据块的有向非循环图，其以由任务产生并由其他人使用的数据的形式表示计算模块及其依赖关系。然而，对于某些工作流，诸如数字信号处理器中的任务调度可能由于暴露太多并行性而耗尽存储器。本文主要研究内存约束下的数据分配和任务调度问题，并集中在共享内存平台上。首先，我们提出了一个整数线性规划模型来制定的问题。然后我们将该问题视为一个扩展的柔性作业车间调度问题，同时试图最小化图的关键路线。为了解决这个问题，我们提出了一个禁忌搜索算法（TS），它结合了几个显着的特点，如贪婪的初始解的构造方法和混合邻域的评价策略的基础上精确的评价和近似的评价方法。在随机生成的实例上的实验结果表明，该算法能够在合理的计算时间内获得相对高质量的解.具体地说，与文献中广泛使用的经典负载均衡算法相比，禁忌搜索算法平均提高了5- 25%的最大完工时间.此外，还分析了TS的一些关键特征，以确定其成功因素。
2022-05-09 cs.AI cs.DC
Solving the Resource Constrained Project Scheduling Problem Using the Parallel Tabu Search Designed for the CUDA Platform
Czech Technical University in Prague（布拉格捷克理工大学）
本文提出了一种求解资源受限项目调度问题的并行禁忌搜索算法。为了处理这个NP-难的组合问题，已经进行了许多优化。例如，通过启发式算法选择资源评估算法，并设计了有效的禁忌表。除此之外，提出了一种容量索引的资源评估算法，GPU（图形处理单元）版本使用同构模型来减少所需的通信带宽。实验结果表明，GPU版本在计算时间和解的质量方面优于优化的并行CPU版本。与其他现有的算法相比，所提出的解决方案往往给出更好的质量解决方案。
2017-11-13 cs.AI cs.DC
GrapheonRL: A Graph Neural Network and Reinforcement Learning Framework for Constraint and Data-Aware Workflow Mapping and Scheduling in Heterogeneous HPC Systems
本文提出GrapheonRL框架，整合图神经网络与强化学习，用于异构HPC系统中的约束与数据感知工作流映射及调度，在保证接近ILP最优解质量的同时大幅缩短执行时间，实现稳健可扩展的调度。
2025-05-30 cs.DC cs.ET
A novel evolutionary-based neuro-fuzzy task scheduling approach to jointly optimize the main design challenges of heterogeneous MPSoCs
K. N. Toosi University of Technology（K.N.托西理工大学）；Shahid Beheshti University（沙希德·贝赫什提大学）
本文提出一种基于NSGA-II进化学习的模糊神经网络在线任务调度方法，用于联合优化异构MPSoC的温度、功耗、故障率和执行时间，实验表明其性能优于现有启发式、元启发式和规则方法。
2022-03-14 cs.AI cs.DC
Flowshop Machine Scheduling: Markov Modeling, Optimal Schedules and Heuristics
本文提出一种新颖的马尔可夫链模型，用于分析存在等效故障的 N/M/P/F 置换流水车间调度问题，推导了完工时间的闭式表达式，并提出了生成最优或近最优调度的启发式算法。
2025-03-20 cs.DC cs.PF math.PR
Learning-Based Approaches for Job Shop Scheduling Problems: A Review
本文综述了基于机器学习的方法在作业车间调度问题中的应用，总结现有模型、分析其优势与局限，并提出未来研究方向。
2025-05-07 cs.DC cs.DM
Dynamic Scheduling Strategies for Resource Optimization in Computing Environments
Western University（韦仕敦大学）
本文提出一种基于多目标优化的容器调度方法，通过引入优化模型和启发式算法，利用Google Cluster Data验证，显著提升了资源利用率、负载均衡与突发任务完成效率，为云原生环境下的智能资源管理奠定基础。
2024-12-23 cs.AI cs.DC
Analytical Process Scheduling Optimization for Heterogeneous Multi-core Systems
在本文中，我们提出了第一个最佳的进程调度算法的异构多核（HEMC）系统，结合了高性能的大核心和节能的小核心相同的配置集架构（ISA）越来越普遍的类型。现有的算法都是基于并行计算的，众所周知的IPC驱动的方法本质上是试图在大核上调度高缩放因子进程。我们的分析表明，对于最佳解决方案，考虑将长时间运行的进程放置在大核心上也很关键。SPEC 2006年的情况下，各种大小的核心组合的测试表明，我们提出的最佳方法是高达34%的速度比IPC驱动的启发式方法的总工作量完成时间。我们的算法的复杂度是O（NlogN），其中N是进程的数量。因此，所提出的优化算法是实用的。
2021-09-10 cs.DC cs.OS cs.PF
Affinity Scheduling and the Applications on Data Center Scheduling with Data Locality
MapReduce框架是Hadoop中的事实标准。考虑到数据中心的数据局部性，地图任务的负载均衡问题是亲和调度问题的一个特例。有大量关于亲和调度的工作，提出了启发式算法，试图增加数据中心的数据局部性，如延迟调度和昆西。然而，还没有足够的注意，这些算法的吞吐量和延迟的最优性的理论保证。在这项工作中，我们提出和比较不同的算法，并讨论他们的缺点和优点。据我们所知，大多数数据中心都使用静态负载均衡算法，这些算法在任何方面都是低效的，并且导致浪费资源并对用户造成不必要的延迟。
2017-05-09 cs.DC cs.PF
Meeting QoS of Users in a Edge to Cloud Platform via Optimally Placing Services and Scheduling Tasks
本文研究了在三层边缘到云平台上，用户请求必须在一定期限内得到满足时的服务放置和任务调度问题。对时间敏感的应用程序（例如，增强现实、游戏、实时视频分析）具有必须满足的严格约束。在多个可能的计算中心的情况下，解决这些请求的“地点”和“时间”在满足其最后期限时变得至关重要。我们将满足用户的最后期限同时最小化边缘到云服务提供商的总成本的问题表述为线性规划（ILP）问题。我们展示了这个问题的NP-硬度，并提出了两个基于局部与全局尺度上的决策的算法。我们改变了用户数量、QoS约束以及远程云和小云（边缘云）之间的成本差异，并对每种情况运行多个Monte-Carlo运行。我们的仿真结果表明，所提出的算法在降低复杂度的同时，性能接近最优。
2019-08-13 cs.DC cs.NI
Abstraction and control techniques for non-stationary scheduling problems
本文从一个新的角度来看待调度问题，试图弥合经典的启发式方法和系统识别和控制策略之间的差距。为了这个目的，一个完整的数学公式的一般调度过程的推导，从非常广泛的假设。这允许更大的操作自由度，并保证识别（和控制）技术的分辨率。一个自适应和切换策略，提出了一个简单的轮循算法的性能。
2009-11-30 cs.DC nlin.AO
FELARE: Fair Scheduling of Machine Learning Tasks on Heterogeneous Edge Systems
University of Louisiana at Lafayette（路易斯安那大学拉法叶分校）；University of South Carolina（南卡罗来纳大学）
边缘计算通过并发和连续执行延迟敏感的机器学习（ML）应用程序来实现智能物联网系统。这些基于边缘的机器学习系统通常是电池供电的（即，能量有限）。它们使用具有不同计算性能的异构资源（例如，CPU、GPU和/或FPGA）来满足ML应用的延迟约束。面临的挑战是在异构边缘计算系统（HEC）上针对这些系统的能量和延迟约束为不同的ML应用分配用户请求。为此，我们研究和分析的资源分配解决方案，可以提高按时任务完成率，同时考虑能源约束。重要的是，我们研究了边缘友好（轻量级）多目标映射算法，这些算法不会偏向于特定的应用程序类型来实现目标;相反，算法在映射决策中考虑并发ML应用程序的“公平性”。性能评估表明，所提出的启发式算法优于广泛使用的异构系统中的延迟和能量目标，特别是在低到中等的请求到达率。我们观察到按时任务完成率提高了8.9%，节能率提高了12.6%，而没有对边缘系统施加任何重大开销。
2022-07-21 cs.DC cs.LG cs.PF
MetaNet: Automated Dynamic Selection of Scheduling Policies in Cloud Environments
Imperial College London（伦敦帝国理工学院）；Loughborough University（拉夫堡大学）
在优化云计算环境的服务质量（QoS）的背景下，任务调度是被充分研究的问题。为了维持计算需求的快速增长，云计算器最重要的QoS指标之一是执行成本。在这方面，近年来已经提出了几种基于数据驱动的深度神经网络（DNN）的调度器，以允许在动态工作负载设置中进行可扩展和有效的资源管理。然而，最佳调度通常依赖于复杂的DNN，其具有高计算需求，这意味着更高的执行成本。此外，即使在非静止环境中，也可能不总是需要复杂的过滤器，为了成本效益，我们可以暂时依靠低成本的过滤器。因此，这项工作的目的是解决非平凡的Meta问题的调度策略的在线动态选择使用一个代理模型称为MetaNet。与具有固定调度策略的传统解决方案不同，MetaNet在运行中从大量基于DNN的方法中选择调度器，以同时优化任务调度和执行成本。与最先进的DNN路由器相比，这使得执行成本、能耗、响应时间和违反服务级别协议的情况分别降低了11%、43%、8%和13%。
2022-05-21 cs.AI cs.DC
A Linear Programming Driven Genetic Algorithm for Meta-Scheduling on Utility Grids
网格中的用户级代理考虑单个应用的QoS需求，并在不考虑其他用户需求的情况下使其成本最小化。这会导致资源争用和次优调度。网格中的元调度旨在解决这个调度问题，这是NP难，由于其组合的性质。因此，除了传统的算法如Greedy和FCFS之外，已经提出了许多基于遗传算法的解决方案，使用遗传算法（GA）。我们提出了一个线性规划/并行规划模型（LP/IP）调度这些应用程序的多个资源。我们还提出了一种新的算法LPGA（线性规划驱动的遗传算法），它结合了LP和GA的能力。该算法的目的是获得最佳的元调度公用事业网格，最小化所有用户的联合成本在一个协调的方式。仿真结果表明，我们提出的综合算法提供了最好的时间表具有最小的处理成本可以忽略不计。
2009-03-08 cs.DC cs.NE
Deep Reinforcement Learning for Multi-Resource Multi-Machine Job Scheduling
Research Center of Smart Networks and Systems, Fudan University（复旦大学智慧网络与系统研究中心）；School of Operations Research and Information Engineering, Cornell University（康奈尔大学运筹学与信息工程学院）
最小化作业调度时间是数据中心网络中的一个基本问题，近年来得到了广泛的研究。传入的作业需要不同的CPU和内存单元，并跨越不同数量的时隙。传统的解决方法是在一定的假设条件下设计出具有性能保证的高效启发式算法。本文利用深度强化学习改进了最近提出的一种作业调度算法，并将其扩展到多服务器集群。我们的研究表明，深度强化学习方法有可能在各种复杂环境中优于传统的资源分配算法。
2017-11-20 cs.DC cs.LG cs.PF
