排序方式: 共有5条查询结果,搜索用时 60 毫秒
1
1.
多数据中心任务调度策略的目的是把计算任务分配到各个数据中心的不同服务器上,以促进资源利用率和能效的提升,为此提出了基于深度强化学习的多数据中心一体化调度策略。所提策略分为数据中心选择和数据中心内部任务分配两个阶段。在多数据中心选择阶段,整合算力资源以提高总体资源利用率,首先采用具有优先经验回放的深度Q网络(PER-DQN)在以数据中心为节点的网络中获取到达各个数据中心的通信路径;然后计算资源使用成本和网络通信成本,并依据这两个成本之和最小的原则选择最优的数据中心。在数据中心内部任务分配阶段,首先在所选数据中心内部,划分计算任务并遵循先到先服务(FCFS)原则将任务添加到调度队列中;然后结合计算设备状态和环境温度,采用基于双深度Q网络(Double DQN)的任务分配算法获得最优分配策略,以选择服务器执行计算任务,避免热点的产生,并降低制冷设备的能耗。实验结果表明,基于PER-DQN的数据中心选择算法相较于计算资源优先(CRF)、最短路径优先(SPF)路径选择方法的平均总成本分别下降了3.6%、10.0%;基于Double DQN的任务部署算法相较于较轮询调度(RR)、贪心调度(Gree... 相似文献
2.
3.
针对无线网络中可伸缩视频传输存在的问题,提出一种基于客户端下溢概率估计的传输算法.算法通过统计当前播放缓冲区容量的变化情况,计算出缓冲区下溢的概率,以此为根据选择合适的视频发送层数,从而在充分利用有效带宽的同时尽可能减少视频下溢频率.仿真结果表明,该算法能够保证在无线网络中视频传输具有较低的下溢概率和较高的视频质量. 相似文献
4.
5.
为了提升多波束卫星(MBS)系统的性能,提出了一种基于深度强化学习联合优化MBS的波束跳变和覆盖控制(BHCC)算法。首先,将多波束卫星中的资源分配问题转换为多目标优化问题,以最大化多波束卫星系统的系统吞吐量,最小化丢包率;其次,将多波束卫星环境表示为多维矩阵,并将目标问题建模为考虑随机通信需求的马尔可夫决策过程;最后,结合深度强化学习强大的特征提取能力和学习能力对目标问题进行求解。此外,提出了一种单智能体轮询复用机制以减少搜索空间,降低收敛难度,加速BHCC算法的训练。仿真结果表明,相对于遗传算法、贪婪算法及随机算法,BHCC算法不仅能提高MBS的吞吐量,而且能降低系统的丢包率;相对于不考虑自适应波束覆盖范围的深度强化学习算法,BHCC算法在不同通信场景下的性能更优异。 相似文献
1