Algorithme de planification des tâches cloud Deep Q learning basé sur une stratégie d'exploration améliorée

En informatique en cloud, la planification des tâches est un processus critique qui consiste à allouer efficacement les ressources informatiques pour satisfaire des exigences diverses des tâches. Pour résoudre des problèmes tels que des temps de réponse instables, des calculs étendus et des difficultés dans l'ajustement des paramètres rencontrés par les méthodes traditionnelles de planification des tâches, un algorithme amélioré de planification des tâches cloud basé sur l'apprentissage profond Q a été proposé. Cet algorithme utilise l'apprentissage par renforcement profond et introduit une stratégie améliorée. L'optimisation de la fonction objective a été réalisée en définissant l'espace d'état, l'espace d'action et la fonction de récompense. La capacité d'exploration de l'agent a été renforcée grâce à l'utilisation d'une stratégie d'exploration UCB et d'une exploration d'action Boltzmann. Des simulations ont été effectuées avec Pycloudsim. Le ratio moyen du temps de réponse par instruction et l'écart type de l'utilisation du CPU ont été comparés pour mesurer les avantages et inconvénients de l'algorithme. Les résultats indiquent que l'algorithme proposé surpasse les algorithmes aléatoire, earliest et RR en termes de ratio temps de réponse par instruction et d'utilisation du CPU, démontrant une efficacité et performance accrues dans la planification des tâches cloud.