买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：东南大学

摘要：本发明公开了一种基于Q学习的集群计算任务资源分配方法与设备，所述方法包括：将集群的计算任务资源分配划分为任务分配模块和计算资源分配模块；任务分配模块负责将计算任务分配给计算服务器，计算资源分配模块则负责将计算资源分配给已选择的任务；建立计算任务资源分配的优化目标，并定义相应的约束条件；将计算任务资源分配问题建模为马尔科夫决策过程，并设计相关的强化学习要素；采用分层强化学习策略，高层智能体使用Rainbow算法处理任务分配问题，低层智能体使用DDQN算法处理计算资源分配问题；采用双层网络联合训练策略，以优化整体性能。本发明能够实现智能化的任务和计算资源分配，且能在较短的时间内有效地得到分配结果。

主权项：1.一种基于Q学习的集群计算任务资源分配方法，其特征在于，包括以下步骤：步骤1、将集群的计算任务资源分配划分为任务分配模块和计算资源分配模块，任务分配模块负责将计算任务分配给计算服务器，计算资源分配模块则负责将计算资源分配给已选择的任务；任务分配模块中包含一个任务分配器，该分配器将N个任务依次分配到M个计算服务器上，每个任务分为多个计算阶段，每个阶段具体的计算需求包括一定的计算时间和所需的计算单元数；计算资源分配模块中包含一个任务计算顺序规划器和一个资源分配器，任务顺序规划器负责规划已分配任务的计算顺序，资源分配器则根据规划的任务计算顺序分配相应的计算单元，并规划计算的开始与结束时间；步骤2：建立计算任务资源分配的优化目标，并定义相应的约束条件，所述优化目标是通过设计所有任务的各个计算阶段执行时间tωikt和分配对象jωikj来降低任务计算时间，提高系统效率，其约束条件为任意时刻所有计算服务器的计算容量不会溢出；步骤3：将计算任务资源分配问题建模为马尔科夫决策过程，并设计相关的强化学习要素，其中采用分层强化学习策略，高层智能体对应任务分配马尔科夫模型，用于任务分配模块，低层智能体对应计算资源与任务顺序规划马尔科夫模型，用于计算资源分配模块；步骤4：基于分层强化学习策略，高层智能体使用Rainbow算法处理任务分配问题，低层智能体使用DDQN算法处理计算资源分配问题；步骤5：采用双层网络联合训练策略，以优化任务分配模块和计算资源分配模块的整体性能，训练完成后的模型直接应用到实际中，得到计算任务资源分配方案。

全文数据：

权利要求：

百度查询： 东南大学 一种基于Q学习的集群计算任务资源分配方法与设备