深度强化学习(云计算中作业与资源协同自适应调度的理论及应用)

本文围绕两个云工作流执行过程中的关键步骤——云工作流任务分配和虚拟化资源供给，研究以容器为新型虚拟化基本单元的云计算环境下，以协同方式进行多工作流自适应调度的理论问题、关键技术和方法；在确保满足用户服务等级协议前提下，最大程度实现云服务供需双方的利益均衡。 在多项国家自然科学基金项目、广东省自然科学基金项目、广东省科技计划项目等课题的支持下，课题组长期从事云计算关键技术、机器学习算法、多agent系统等领域的基础理论和应用研究，长期的积累为本课题的研究打下坚实的基础，使解决本课题关键科学问题，完成预期成果具有较高的可行性。 本项目研究成果可为相关科研领域人员提供参考和借鉴。

彭志平 博士，教授。广东石油化工学院副校长（2015-2021年），江门职业技术学院校长（2021-今）。中国系统仿真学会智能仿真优化与调度专委会常务委员，广东省高等学校“千百十工程”省级培养对象。目前主要从事人工智能、智能系统等方向的科研与教学研究工作。作为负责人先后主持2项国家自然科学基金面上项目、1项广东省应用型科技研发专项重点项目及20多项企业技术攻关委托项目。先后获得广东省南粤优秀教师、师德标兵、广东省精神文明建设先进个人等荣誉称号，获得中国石油和化工自动化应用行业科技进步一等奖、省部级科技进步奖二等奖、吴文俊人工智能科技进步奖各1项。在国内外学术期刊上发表30余篇SCI检索论文，30余篇EI检索论文， 15项发明专利获得授权。

第1篇 基础理论 第1章 云计算概述 1.1 云计算技术概述 1.1.1 云计算的3种服务模式 1.1.2 云计算的4种部署模型 1.2 云计算的核心技术 1.3 云计算资源配置与任务调度模型 1.4 云计算提出的挑战 1.4.1 虚拟化技术带来的挑战 1.4.2 虚拟机资源和应用系统参数提出的挑战 1.4.3 工作流任务和虚拟化资源进行协同自适应调度提出的挑战 1.4.4 资源利用率和服务等级协议提出的挑战 第2章 深度强化学习概述 2.1 深度卷积神经网络 2.2 强化学习 2.3 深度强化学习 2.3.1 DQN算法主要用到的关键技术 2.3.2 DQN模型训练过程 第2篇 云作业调度算法 第3章 随机作业优化调度策略 3.1 引言 3.2 国内外研究现状 3.2.1 理论分析 3.2.2 能耗管理 3.2.3 资源分配 3.3 系统模型 3.3.1 作业调度子模块 3.3.2 作业执行子模块 3.3.3 作业传输子模块 3.4 基于强化学习的作业调度算法 3.4.1 强化学习 3.4.2 基于强化学习的用户作业调度算法 3.4.3 状态简约 3.5 性能评估 3.5.1 仿真云平台实验验证 3.5.2 真实云平台实验验证 3.6 小结 第4章 混合作业调度机制 4.1 引言 4.2 国内外发展现状 4.2.1 静态调度法 4.2.2 动态调度法 4.2.3 混合调度法 4.2.4 局限性分析 4.3 云平台模型 4.4 混合作业调度算法 4.5 基于强化学习的混合作业调度算法 4.6 实验结果与分析 4.7 小结 第5章 基于多智能体系统的云工作流作业优化调度