بهینه سازی زمان بندی و ذخیره سازی نتایج وظایف در محیط های مه-ابر با یادگیری تقویتی

Q: چگونه مقاله دانلود کنم؟

برای دانلود مقاله از SID، ابتدا وارد سایت شوید، عنوان مقاله را جستجو کرده و بر روی گزینه 'دانلود مقاله' کلیک کنید.

Q: چگونه مقاله ISI دانلود کنم؟

برای دانلود مقاله ISI در SID، کلمه کلیدی یا عنوان مقاله را در نوار جستجو وارد کرده و نتایج مرتبط را مشاهده کنید. سپس روی مقاله مورد نظر کلیک کرده و گزینه 'دانلود مقاله' را انتخاب کنید.

Q: چگونه میتوانم به پایگاه داده SID دسترسی داشته باشم؟

برای دسترسی به پایگاه داده SID، وارد سایت SID.ir شوید، یک حساب کاربری ایجاد کنید و سپس با ورود به حساب خود به منابع علمی دسترسی پیدا کنید.

Q: آیا دانلود مقاله از SID رایگان است؟

بعضی از مقالات در SID بهصورت رایگان در دسترس هستند، اما برخی دیگر نیاز به پرداخت هزینه دارند. اطلاعات بیشتر در صفحه مقاله مشخص شده است.

نتاج صلحدار محمدحسن; اثنی عشری محمدمهدی

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

مقاله مقاله همایش

مشخصات مقاله

همایش: کنفرانس بین المللی وب پژوهی
سال:1404 | دوره برگزاری:11

دانلود متن کامل

بازدید:

دانلود:

اطلاعات مقاله همایش

عنوان

بهینه سازی زمان بندی و ذخیره سازی نتایج وظایف در محیط های مه-ابر با یادگیری تقویتی

نویسندگان

نتاج صلحدار محمدحسن | اثنی عشری محمدمهدی | صدور گواهی نویسنده

کلیدواژه

زمانبدی وظایف

ذخیره سازی نتایج

مدیریت منابع

یادگیری تقویتی

چکیده

با گسترش اینترنت اشیا و افزایش تعداد حسگرها در محیط ابر-مه, نیاز به پاسخ های سریع و کارآمد به درخواست های پردازشی کاربران افزایش یافته است. این مقاله بر راهبرد زمان بندی وظایف با تمرکز بر ادغام زمان بندی و ذخیره سازی نتایج وظایف تأکید دارد, زیرا این ادغام راه حلی عملی برای مدیریت منابع ارائه می دهد. در حالی که تحقیقات قبلی به زمان بندی وظایف پرداخته اند, ولی به ذخیره سازی نتایج وظایف توجه کمی شده است. این مقاله به طور همزمان از هر دو روش برای کاهش زمان پاسخ و کاهش هزینه در محیط ابر-مه استفاده می کند. هدف در زمان بندی وظایف, ذخیره سازی نتایج وظایف پردرخواست برای پاسخگویی سریع به کاربران است. الگوریتم زمان بندی و ذخیره سازی در تعیین منابع مناسب برای پردازش و ذخیره سازی حیاتی است. در این تحقیق از یادگیری تقویتی برای تشخیص منابع بهینه و یک زمان بند بلادرنگ مبتنی بر بازیگر-منتقد برای محیط های ابر-مه استفاده شده است. این چارچوب از یادگیری در محیط های پویا و پیوسته با چند عامل پشتیبانی می کند. نتایج تجربی, بهبود قابل توجهی در زمان پاسخ و هزینه های عملیاتی نسبت به الگوریتم های پیشرفته مانند A3C-R2N2, DDQN, LR-MMT و LRR-MMT را نشان می دهد.

ویدئو