- 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。
- 分数深度强化学习用于年龄最小化的移动边缘计算
移动边缘计算是一种有潜力的范式,用于实时应用程序,具有密集的计算需求(例如,自动驾驶),因为它可以减少处理延迟。本文关注计算密集型更新的及时性,通过信息时代(Age-of-Information)来衡量,并研究如何联合优化任务更新和离线策略 - 一种人机协同应急处置决策方法
本研究提出一种基于人机协同的方法,通过任务过滤和任务调度两个阶段,提高快速解决问题的效率和准确性。在任务过滤中使用 GACRNN 模型进行机器预测,由人类决策者实时监管并修改确认,而任务调度中将事件决策步骤插入到正常作业序列中,以缩小对原计 - 优化森林防火:基于智能调度算法的无人机监控系统
本研究利用算法开发了一套无人机监测系统,通过任务调度最小化完成时间,提高了森林火灾监测系统的效率,并且实验结果表明,算法可以有效地实现期望的目标。
- 基于 AI 的 NOMA NTNs 中的无线电和计算资源分配与路径规划:在 CSI 不确定性下减小 AoI
用空中计算框架由高空平台和无人机组成,解决通过上行非正交多址接入连接的移动用户的任务完全卸载问题,通过调整无人机轨迹和资源分配来最小化用户的数据时延,使用多智能体深确定策略梯度和联邦强化学习两种方法优化求解,显示任务调度显著降低了数据时延。
- 利用图神经网络方法进行纳米卫星任务调度:学习混合整数模型的洞见
本研究探讨了如何使用图神经网络(GNN)更有效地调度纳米卫星任务,并将优化问题表示为二分图。同时,应用可解释性人工智能(XAI)确定对学习表现影响最大的要素。结果表明 GNN 对于调度纳米卫星任务是一种可能有效的方法,并突出了可解释性机器学 - DeepFT: 基于自监督深度替代模型的容错边缘计算
提出一种新的建模方法 DeepFT,通过优化任务调度和迁移决策,采用深度代理模型和基于自我监督学习的协同模拟,来预测和诊断系统中的故障,从而在资源有限的边缘计算中实现高可靠性
- 智慧农业飞行基站任务卸载的风险敏感强化学习
本论文介绍了一种基于多角色风险敏感强化学习的空中基站智能农业任务调度方法,解决了传感器设备能耗和处理任务时间难题,并通过仿真实验证明其效果优于传统方法,可以提供一个保证的物联网任务处理服务并延长无人机在智能农业领域的使用时间。
- 数字孪生辅助高效边缘任务调度的强化学习
本文提出了一种 Digital Twin 辅助的 RL 任务调度方法,在探索效率上通过 DT 显著提高 RL 的收敛速度,使用 DT 模拟智能体做出的不同决策,从而实现探索多种行动并行交互的效果,提高了更快的数据分析能力和收敛效果。
- MetaNet: 云环境中自动化动态调度策略的选择
本研究旨在使用元模型 MetaNet 来解决在线动态选择调度策略的问题,以优化任务调度和执行成本。相比于现有的深度学习调度器,MetaNet 能使执行成本、能源消耗、响应时间和服务水平协议的违规率分别提高 11、43、8 和 13%左右。
- 异构多处理器系统下带内存约束的数据分配和任务调度的一种启发式方法
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。
- 从自然对话中实现类人任务识别
本文介绍了一种结合自然语言处理和计划生成的方法,以实现机器人的多功能任务处理和人类般的任务理解能力。同时还探讨了一种能够最小化问答迭代的对话策略来解决自然语言指令中的歧义和缺失问题。
- 多任务学习自适应调度
研究了不同的任务调度方法以在多个任务(语言)上同时训练神经机器翻译模型,包括现有的非自适应技术和自适应调度技术,并考虑了隐式调度技术。这些方法使得多语言模型在低资源语言对(少量数据的任务)中表现更好,同时最小化对高资源任务的负面影响。
- 移动边缘计算系统的延迟最优计算任务调度
本文研究了移动边缘计算中的任务调度问题,采用马尔科夫决策过程方法解决该问题,并且提出了一种有效的一维搜索算法来找到最优的任务调度策略。仿真结果表明,与基线策略相比,该策略可以实现更短的平均执行延迟。