本文介绍了一种名为 Adaptive Balanced Capacity Scaling (ABCS) 的算法,该算法能够通过使用基于机器学习的预测来适应并减小数据中心的能耗和交换成本,同时保持足够的预测精度和竞争比率,相关的实验结果也证明了该算法的有效性。
Jan, 2021
在能效调度中,使用学习增强的算法框架,通过减小预测误差,实现多种能效调度问题的竞争比率改善。
Feb, 2024
本文介绍了在学习增强的在线算法中使用回归技术来预测未来输入参数的方法,并在广义滑雪租赁、装箱问题、最小完成时间调度等一般在线搜索方案的背景下探讨了这种方法。通过在设计回归问题的损失函数中结合在线优化基准,我们显示了这种回归问题样本复杂度的近似上下界,并将我们的结果扩展到了不可知设置。
May, 2022
考虑到离散时间系统中的资源受限源,通过时变无线信道将其时间敏感的数据传输到目的地。我们开发了一种鲁棒的在线算法,以最小化传输和信息老化成本之和,确保最坏情况下的性能保证。
Mar, 2024
本文提出了一种基于强化学习的资源管理算法,用于将可再生能源纳入移动边缘计算中,在动态负载卸载和边缘服务器供应方面实现最优策略,以最小化系统成本和延迟,并通过模拟结果验证了算法的有效性。
Mar, 2017
研究如何将机器学习预测融入在线算法以提高性能,并提供非平凡的下界来衡量竞争分析的最优权衡.
Oct, 2020
通过使用基于梯度下降的算法,利用可微分的近似表示 $l_0$ 范数作为稀疏惩罚减少训练模型过程中的能源消耗和预测延迟,实验结果表明该方法能够在分类表现和能源效率之间达到更好的平衡。
Jul, 2023
通过使用机器学习预测以改善算法的性能,该研究论文介绍了一种针对在线装箱问题的简单的学习增强算法,并展示了该框架在线性规划、背包问题、资源管理效益、吞吐量最大化和网络效用最大化等多个领域的直接应用,同时提出了理解简单黑盒解决方案何时可优化的必要与充分条件的问题。
Jun, 2024
本文研究在线碳感知资源伸缩问题,并将其应用于执行计算工作负载的碳感知资源伸缩,以减少云数据中心的碳排放。通过提出的 LACS 算法,本研究实现了对未知作业长度的在线碳感知执行,并与基线算法进行了比较,展示了 LACS 相对于理想的作业长度信息和准确的碳强度预测算法的平均碳足迹减少。
本研究探讨在机器学习算法中加入优化基准以提高在线算法的预测性能,以租赁或购买问题为例,并通过理论边界和数值模拟能够支持此发现。