本论文研究了两类不同但相互关联的优化问题,一类涉及机器人在由一组并发射线组成的环境中定位隐藏目标,另一类涉及通过合同算法的计划来设计可中断算法,探讨多射线和多问题域的概率考虑,冗余和容错问题,随机策略以及性能和抢占之间的平衡,旨在证明可以使用相同的基础方法解决多种有充分动机的环境。
Apr, 2015
合同调度是设计具有可中断功能的实时系统的广泛研究框架。本研究引入并研究更一般和现实的学习增强设置,其中预测以概率分布形式或多个可能的中断时间集合形式给出。我们设计并分析了在预测准确时表现最佳的调度,并同时保证在预测具有敌对性时表现出最佳的最坏情况性能。我们还提供了证据,证明了在分布设置中得到的系统对于预测错误具有鲁棒性。最后,我们进行了实验评估,确认了理论发现,并展示了在实践中可以实现的性能改进。
Apr, 2024
该论文探讨了两种调度机制(K 和 P 机制)的性能,证明了 K 机制是优于 P 机制的,并在特定条件下给出了它们的平均近似比例收敛值。
Apr, 2022
本文主要研究在共享内存平台下内存限制下数据分配和任务调度问题,提出了一个整数线性规划模型和基于禁忌搜索算法的可行解决方案,并在随机生成的实例上验证了该方法的有效性。
May, 2022
研究了随机截止时间调度问题,提出了一种约束马尔科夫决策过程模型,该模型中工作随机到达,具有随机作业大小、奖励和完成期限。该服务提供商面临随机处理成本、凸非完成罚款和容量约束,以限制工作的同时处理。将随机截止时间调度问题建立为一个不安定的多臂赌博机问题,表明其可指标化。当处理成本为常量时,获得了 Whittle 指数的闭式表达式。获得了 Whittle 指数策略的最优解上限,并表明随着职位到达率和可用处理器数量同时增加到无限大,上限收敛于零。
Oct, 2016
本论文探讨了自动决策算法引起的偏见问题,提出了一种通过合理使用个人数据来平衡公平和有效性之间矛盾的 Pareto 调度机制,以及带来的社会福利和个人利益之间的差异。
本研究使用深度强化学习技术,提出了一种方法,在具备多种协处理器的异构 SoC 系统中智能地调度和学习任务流,实验结果表明,相比于传统的调度启发式算法,我们的强化学习系统在最小化执行时间方面提供了更好的选择。
Jun, 2019
本文针对传统调度模型中活动持续时间为固定常量的缺点,提出了结合蒙特卡罗模拟和确定性调度算法求解概率式调度问题的理论框架,并且通过一系列实验,证明了蒙特卡罗模拟与确定性问题的解结合可以有效提高不确定性条件下的调度算法性能。
Oct, 2011
研究在线机制在满足截止日期的前提下如何保证完成作业的价值最大化,通过使用 deadline slackness 的自然假设,我们构建了一个具有竞争力的高效调度机制,并且如果满足 commitment property 的条件,则用户可以提前得知作业的完成情况和必要的付款,从而更好地满足他们的严格截止日期需求。
Jul, 2015
本文针对设计算法组合的问题,提出了并行考虑调度问题和机器学习问题的技术,并在布尔可满足性、01 整数规划和人工智能规划等领域取得了显著的实验性能提升,具有较强的理论保证。
Jun, 2012