技术总结
本发明公开了基于深度增强学习的工作流调度方法，包括如下步骤：步骤A)收集实际执行环境中的任务执行DAG工作流有向无环图M张，作为样本池；步骤B)对每张DAG工作流有向无环图进行MDP马尔科夫决策过程建模，生成任务状态集合S；步骤C)根据神经网络的训练方法DQN，将M张DAG工作流有向无环图生成的任务状态集合S和对应的已知动作集合A作为输入，代入深度神经网络公式，求得神经网络参数矩阵的值。本发明通过上述方法，解决目前分布式环境下工作流调度方法执行时间长，泛化性差的缺陷，加速保证算法的时间效率，同时增加算法本身的泛化性能，让调度机器能够根据实际场景特征自主学习调度策略。
技术研发人员：段翰聪;闵革勇;张建;王瑾
受保护的技术使用者：电子科技大学
文档号码：201610656579
技术研发日：2016.08.11
技术公布日：2016.12.14