- 数字孪生车辆边缘计算网络中孪生维护和计算任务处理的资源分配
通过将数字孪生与车辆边缘计算相集成，研究论文提出了一种优化资源分配策略的多智能体深度强化学习算法，以解决车辆边缘计算网络中的维护和计算任务处理延迟问题。
- 大型语言模型对电力调度的用户导向方法
传统的优化与调度方案往往只考虑固定的系统要求，而未来的系统将采用用户驱动的方法和个性化服务，致力于实现高质量体验和灵活性。本文首次提出了一种新颖的资源调度架构，通过构建三个大语言模型代理来将任意用户的语音请求转化为资源分配向量。通过针对电动 - 空中地一体化网络中的合作移动接入的量子多智能体强化学习
利用基于量子多智能体强化学习（QMARL）的调度方法改善全球访问可用性和能效，解决了全球空气地面综合网络（SAGIN）仅通过 CubeSats 实现的挑战，提供差异化访问服务和在实际 CubeSat/HALE-UAV 设置中进行数据密集型实 - 强化学习
观察天体和提高我们对其科学知识的理解涉及繁琐的计划、安排、数据收集和后处理。本文将介绍强化学习的最新进展，以及它如何为天文学带来益处。
- 面向年龄感知的差分隐私联邦学习调度
探索差分隐私联邦学习在时变数据库中的应用，着重讨论关于年龄、准确性和差分隐私之间的三重平衡，并提出了一个优化问题，旨在满足差分隐私要求的同时最小化聚合模型和不考虑差分隐私约束下获得的模型之间的损失差异。通过引入基于年龄的损失上界来充分利用调 - 超越中止：一个用于结束体育联赛的两阶段方法论
运用基于数据驱动的模型，本研究提出了一种通过选择子集比赛的方式，以缩短时间框架来对赛季进行结局，从而达到与完整赛季相似的团队排名。
- 大规模模型训练在异构集群中的调度和并行化的协同设计
Crius 是一个用于在异构集群中以自适应并行性高效调度多个大型模型的训练系统，它通过引入称为 Cell 的新调度粒度将数据并行性和张量并行性的探索空间缩小到最小，从而实现准确且低开销的性能估计。通过选择 Cell 作为调度选择，Crius - 基于答案集编程的多智能体路径规划中的路由与调度：初步报告
我们提出了一种在答案集编程（ASP）中进行路由和调度的替代方法，并在多智能体路径规划的背景下进行了探索。这种方法捕捉了时间流的部分顺序而不是与行动和谓词相关联的时间步骤，终止了对计划长度的固定上界的需求。这种避免的代价是（部分）时间轨迹必须 - 使用 Sarathi-Serve 调节 LLM 推理中的吞吐量 - 延迟平衡
介绍了一种高效的 LLM 推理调度器 Sarathi-Serve，通过利用来自 Sarathi 的分块预填充技术，创建无停顿的调度，可以在正在进行的解码过程中批量添加新的请求，从而提高吞吐量，同时将对延迟的影响降至最低。
- 卫星群集下的机载联邦学习调度
小型卫星的超级星座已经演变成大量珍贵数据的来源。为了高效管理这些数据，本文介绍了一种适用于通过星间链路连接的卫星星座的机载联邦学习调度方案。该方案利用卫星与地面站之间的可预测可见性模式，既在个体卫星级别上，也在整个轨道上累积地，以减轻间歇性 - 基于离线强化学习的重症监护室患者测量调度
ICU 病人实验室测试的调度是一个重大挑战，先前研究基于病人信息使用离线强化学习方法为实验室测试定制最优策略，本研究在新发布的 MIMIC-IV 数据集上使用最新的离线强化学习方法评估和改进 ICU 病人实验室测试的调度策略。
- SkipPredict：何时投资于调度预测
通过考虑预测作业大小的调度近期研究工作，在排队系统中探究了预测成本对调度系统的影响，提出了一种针对预测成本的新型方法 SkipPredict，通过分类作业的预测需求来进行预测，分别在短作业和长作业上进行预测，并分析了考虑成本的预测对两种模型 - 基于师生学习的低复杂度无线供能通信中的中继选择
射频能量收集（RF-EH）网络是大规模物联网的关键推动因素，通过为能量受限设备提供可控和长距离的能量传输来实现。本研究主要探讨多源多中继射频能量收集网络中非线性能量收集情况下的联合中继选择、调度和功率控制问题。首先，在给定中继选择情况下求解 - 基于深度 Q 学习的智能电动车需求响应在智能电网中的智能调度
使用深度强化学习进行电动车辆在微电网中的充电和放电活动调度，以对齐配电系统运营商提供的目标能源配置文件。
- 货运运输的时空特征：基于数据驱动的探索性分析
从数字货运活动数据中推断调度和路径模式的建模方法，应用于荷兰的巡回数据以了解发车时间模式和巡回策略，并评估所提出算法的有效性。研究发现空间和时间特征对捕捉巡回类型和货运活动的时间模式很重要，同时实证证据表明运输市场的多数承运商对拥堵程度敏感 - 实现工业物联网中的超低延迟通信的分布式神经线性汤普森抽样框架
利用反馈信号和强化学习，利用可用资源最小化碰撞次数的 DISNETS 分布式调度框架在产业物联网中展示了超高可靠低时延通信的卓越性能。
- 学习增强的太阳能电动车充电调度
我们解决了太阳能电池板和电池配备的电动汽车（EV）的充电调度的复杂挑战，特别是在分布外（OOD）条件下。我们引入了一种新的学习增强策略，通过实时适应强化学习策略的表现来使用动态的鲁棒性预算，从而在 EV 充电调度中更有效地平衡一致性和鲁棒性 - 自动引导车的高效在线调度和路径规划：基于环路算法与现有方法的比较
我们提出了一种基于循环的算法，用于解决自动引导车辆（AGV）的在线冲突自由调度和路径规划问题，并与精确方法、贪心启发式和元启发式进行比较。实验证明，该算法要么优于其他算法，要么在更短的计算时间内得到同样好的解。
- 基于改进的鲲鸟群算法的云空间职责调度
云计算和任务调度算法的研究，使用遗传算法、颗粒群优化、蚁群优化以及扩展改进的 Salp Swarm Algorithm 进行比较。研究结果表明，提出的算法性能普遍优于其他算法，如与基本的 Salp Swarm Algorithm 相比，平均 - 使用深度强化学习进行 DAG 任务的边缘生成调度
本研究设计了一种新的基于边生成调度（EGS）的有向无环图（DAG）调度框架，使用基于平凡调度性测试的调度性测试方法并结合深度强化学习算法和图表示神经网络来高效生成边缘，并通过与现有的 DAG 调度启发式算法和优化的混合整数线性规划基准进行比