文献类型：期刊文章

作　　者：童钊[1,2] 邓小妹[1,2] 陈洪剑[1,2] 梅晶[1,2] 叶锋[1,2]

TONG Zhao;DENG Xiao-mei;CHEN Hong-jian;MEI Jing(College of Information Science and Engineering,Hunan Normal University,Changsha 410012,China;Key Laboratory of High Performance Computing and Stochastic Information Processing,Ministry of Education of China(Hunan Normal University),Changsha 410012,China)

机构地区：[1]湖南师范大学信息科学与工程学院,长沙410012 [2]高性能计算与随机信息处理省部共建教育部重点实验室(湖南师范大学),长沙410012

出　　处：《小型微型计算机系统》

基　　金：国家自然科学基金青年项目(61502165,61602170)资助;湖南省教育厅一般项目(17C0959)资助.

年　　份：2020

卷　　号：41

期　　号：2

起止页码：285-290

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CSA、CSA-PROQEUST、CSCD、CSCD_E2019_2020、IC、INSPEC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：针对云计算环境下的多目标任务调度问题,提出一种新的基于Q学习的多目标优化任务调度算法(Multi-objective Task Scheduling Algorithm based on Q-learning,QM TS).该算法的主要思想是:首先,在任务排序阶段利用Q-learning算法中的自学习过程得到更加合理的任务序列;然后,在虚拟机分配阶段使用线性加权法综合考虑任务最早完成时间和计算节点的计算成本,达到同时优化多目标问题的目的;最后,以产生更小的makespan和总成本为目标函数对任务进行调度,得到任务完成后的实验结果.实验结果表明,QMTS算法在使用Q-learning对任务进行排序后可以得到比HEFT算法更小的makespan;并且根据优化多目标调度策略在任务执行过程中减少了makespan和总成本,是一种有效的多目标优化任务调度算法.

关 键 词：云计算 机器学习  MAKESPAN 任务调度 总成本

分 类 号：TP181]