【技术实现步骤摘要】
本专利技术属于计算机科学与，特别是涉及基于强化学习的任务调度优化方法、装置、设备及介质。
技术介绍
1、在计算机科学与
中，高效的任务调度对于提升系统整体性能、优化资源利用效率起着关键作用。传统的任务调度方法，诸如基于规则的调度(如先进先出、最短作业优先等)以及运用线性规划、分支定界等经典优化算法的调度方式，在面对相对简单且静态的任务场景时，能够取得一定成效。但随着技术发展，任务类型愈发多样复杂，系统运行环境动态变化频繁，如云计算环境中虚拟机负载的实时波动、工业自动化生产线中订单任务的动态增减等情况不断出现，传统方法暴露出明显局限性，难以实现精准、高效的任务调度。部分现有技术尝试借助机器学习手段改进任务调度，例如专利cn202210569531.7采用深度神经网络进行作业调度，虽能根据作业信息输出调度策略和计算节点队列，但深度神经网络在处理复杂环境下动态变化的任务时，缺乏对环境长期反馈的有效学习与自适应调整能力，易陷入局部最优解，难以从全局和长期视角实现任务调度的持续优化。强化学习作为机器学习领域中能够通过智能体与环境不断交互，以...
【技术保护点】
1.基于强化学习的任务调度优化方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述获取实时系统资源状态数据，确定当前动态环境特征并分析任务特性数据，得到任务优先级和资源需求向量，包括：
3.根据权利要求2所述的方法，其特征在于，所述资源分配权重通过以下步骤得到：
4.根据权利要求1所述的方法，其特征在于，所述采用强化学习算法处理所述任务优先级和资源需求向量，通过策略迭代判断最优任务分配方案，包括：
5.根据权利要求4所述的方法，其特征在于，所述资源利用率通过以下公式计算得到：
6....
【技术特征摘要】
1.基于强化学习的任务调度优化方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述获取实时系统资源状态数据，确定当前动态环境特征并分析任务特性数据，得到任务优先级和资源需求向量，包括：
3.根据权利要求2所述的方法，其特征在于，所述资源分配权重通过以下步骤得到：
4.根据权利要求1所述的方法，其特征在于，所述采用强化学习算法处理所述任务优先级和资源需求向量，通过策略迭代判断最优任务分配方案，包括：
5.根据权利要求4所述的方法，其特征在于，所述资源利用率通过以下公式计算得到：
6.根据权利要求1所述的方法...
【专利技术属性】
技术研发人员：郭衍兴，严皓，杨澄，
申请(专利权)人：韶关市星橙网络科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。