Apr, 2023

基于多智能体强化学习的地理分布数据中心可持续负载调度

PDF
TL;DR本研究提出一种基于多智能体强化学习和演员 - 评论家方法的算法，通过与真实工作负载模式、能源价格和碳强度相互作用的云系统学习最优的协同调度策略，从而最大化 GPU 利用率、降低运营成本和减少碳排放。与其他算法相比，我们的方法提高了系统效用，最高可达 28.6％。
generative artificial intelligencemachine learning trainingcloud data centersmulti-objective schedulingreinforcement learning
发现论文，激发创造
  • 加强基于深度学习和强化学习技术的 Kubernetes 自动调度以优化大规模云计算

    基于深度学习和强化学习的大规模云计算系统自动任务调度方案的研究和验证。

    Feb, 2024

  • 游戏理论深度强化学习在地理分布式数据中心中最小化 AI 推断工作负载的碳排放和能源成本

    通过结合博弈论和深度强化学习的方法，本研究在地理分布的数据中心中优化 AI 推理工作负载的分配，以降低碳排放和云服务成本，同时保持性能。实验证明，该策略在减少碳排放和云服务成本方面优于现有技术，并且不会损害计算性能。这对处理不同地理位置的 AI 推理工作负载的数据中心实现可持续性和成本效益具有重要意义。

    Apr, 2024

  • 面向延迟的物联网任务调度的深度强化学习在空天地一体化网络中的应用

    本文旨在设计一种任务调度策略，以最小化所有任务的离线和计算延迟，同时满足无人机能源容量约束下的延迟导向物联网服务需求，并考虑到任务到达动态变化的情况，提出了基于风险敏感的强化学习算法来解决能耗风险约束下的决策问题。

    Oct, 2020

  • 基于 A3C 学习和残差循环神经网络的随机边缘云计算环境动态调度

    提出了一种基于 A3C 和 R2N2 的边缘云环境实时调度器，允许分散式学习，同时跨多个代理并利用时间模式提供有效的调度决策，实验表明在实际数据集上相比现有算法的能耗、响应时间、服务级别协议和运行成本等方面都有显著改进。

    Sep, 2020

  • 网络争用感知的集群调度策略与强化学习

    通过使用强化学习，我们提出了一种新的方法，在 GPU 集群中减轻网络争用，以提高调度决策的效率，从而减少作业完成时间并降低资源利用率。

    Oct, 2023

  • 基于强化学习的数据密集型工作流调度用于志愿者边缘云

    我们提出一种基于强化学习的数据密集型科学工作流调度方法，考虑到 Volunteer Edge-Cloud 资源的分布和异构性，以确保鲁棒的资源分配。通过将问题建模为马尔可夫决策过程，并使用基于事件的异步优势演员 - 评论家强化学习方法进行求解，我们在大量模拟和实验中证明了我们的方法在满足工作流需求、满足 Volunteer Edge-Cloud 资源偏好以及有效利用资源方面的优势。

    Jul, 2024

  • 多资源多机器作业调度的深度强化学习

    本文在最小化数据中心网络中的工作调度时间方面进行了深入研究，提出了一种基于深度强化学习的改进方法并将其扩展到多个服务器群集，结果表明，相比于传统的资源分配算法，深度强化学习方法在各种复杂环境中有着出色的性能表现。

    Nov, 2017

  • 自适应、基于交易的多智能体系统的分散调度

    该研究采用交易方法，将多智能体强化学习应用于模拟的调度环境中，研究分布式代理体系结构及自主定价在任务分配中的应用。

    Jul, 2022

  • 数据中心数字孪生的可持续性与强化学习

    机器学习对数据中心的设计与优化提出了巨大挑战，为了减少能源消耗和碳排放，本研究开发了 DCRL-Green，一个多主体强化学习环境，用于设计数据中心并研究、开发和改进控制器以减少碳足迹。

    Apr, 2024

  • 利用改进的多智能体软 actor-critic 算法进行多微电网协同优化调度

    本研究提出一种基于多智能体集中培训分布执行框架的多微电网协同优化调度模型，并采用改进的多智能体软演员 - 评论家算法 (MASAC) 和自动机器学习 (AutoML) 对其进行优化，以提高深度强化学习的泛化能力，实现不同实体之间的电能互补，降低多微电网系统运营成本，并在经济性和计算效率方面显著优于其他最先进的强化学习算法。

    Apr, 2023