基于深度强化学习的智能建筑网络任务调度优化算法制造技术

本发明专利技术公开了基于深度强化学习的智能建筑网络任务调度优化算法，包括以下步骤：S1：将用户负载设为任务集合T，并将用户负载视为由多个有向无环图DAG组成，以记录任务之间的关系，并以此处理大量用户请求作为输入；S2：将智能建筑网络中关联性任务调度优化问题建模为一个马尔科夫决策过程模型，对其中的状态空间、动作空间及立即奖赏函数进行建模，其中，采用两阶段的DDQN深度强化学习算法求解最优调整方案；S3：输出总的能耗、时延和任务调度成功率。本发明专利技术能够考虑智能建筑网络任务之间的关联性，通过有向无环图DAG和两阶段的DDQN处理器来实现最合理的任务调度，以提高任务调度成功率，减少系统整体的时延和能耗。减少系统整体的时延和能耗。减少系统整体的时延和能耗。

【技术实现步骤摘要】
基于深度强化学习的智能建筑网络任务调度优化算法


[0001]本专利技术涉及智能建筑
，具体为基于深度强化学习的智能建筑网络任务调度优化算法。

技术介绍

[0002]智能建筑是通过人工智能和物联网技术，根据用户需求，将建筑物的结构、系统、服务和管理有机地结合起来，为用户提供绿色、高效、舒适、方便的人性化建筑环境。而随着先进通信技术和新型物联网(IoT)系统的快速发展，智能建筑网络往往会产生具有关联性的任务，同时对计算量和时延的需求越来越高。这时，如何实时调度任务并分配适当的边缘资源，同时共同考虑它们的关联性，以降低时延和能耗，提高调度成功率已成为一个热点问题。
[0003]传统的大多数边缘任务调度和资源分配解决方案都基于集中式架构，它们依赖于全局任务调度和分配中心来发现边缘资源、处理卸载请求、调度任务和分配资源。然而，这种集中式架构存在单点故障(SPOF)的问题，当面临大量卸载请求时，容易因为优化爆炸问题而导致调度效率和实时性低下。
[0004]近年来，很多专家学者对分布式架构的任务调度方法进行了研究。像短任务优先调度、时间本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于深度强化学习的智能建筑网络任务调度优化算法，其特征在于，包括以下步骤：S1：将用户负载设为任务集合T，并将用户负载视为由多个有向无环图DAG组成，以记录任务之间的关系，并以此处理大量用户请求作为输入；S2：将智能建筑网络中关联性任务调度优化问题建模为一个马尔科夫决策过程模型，对其中的状态空间、动作空间及立即奖赏函数进行建模，其中，采用两阶段的DDQN深度强化学习算法求解最优调整方案；S3：输出总的能耗、时延和任务调度成功率。2.根据权利要求1所述的基于深度强化学习的智能建筑网络任务调度优化算法，其特征在于：所述步骤S2包括以下步骤：S21：利用处理器进行第一步选择：根据当前环境资源状态信息选择服务器场；S22：进行第二步选择：根据第一步所选择的服务器场中的资源状态信息和任务信息来选择服务器和虚拟机。3.根据权利要求2所述的基于深度强化学习的智能建筑网络任务调度优化算法，其特征在于：所述步骤S2中的状态空间定义了主体可能感知的状态范围，在两阶段的DDQN决策过程中，每个阶段的DDQN将从环境中获取当前状态信息和任务信息作为输入。4.根据权利要求2所述的基于深度强化学习的智能建筑网络任务调度优化算法，其特征在于：步骤S21中的服务器场的动作空间表示为：A
...

【专利技术属性】
技术研发人员：陆悠，陈宇豪，张哲，许犇，傅启明，王蕴哲，陈建平，
申请(专利权)人：苏州科技大学，
类型：发明
国别省市：