-
公开(公告)号：CN110971683A
公开(公告)日：2020-04-07
申请号：CN201911191031.9
申请日：2019-11-28
Applicant: 海南大学
Abstract: 本发明公开了一种基于强化学习的服务组合方法，所述服务组合满足动态约束，其包括如下步骤：根据用户的功能性需求建立工作流，为工作流中的每个任务选取候选服务，对所有候选服务的QoS非功能属性进行数据预处理；根据建立的工作流结构搭建基于强化学习的自适应模型；每一次训练自适应模型时，均将根据建立工作流结构随机生成的训练集、用户对QoS非功能属性的偏好和约束输入自适应模型中，循环迭代若干次训练，以得到收敛的自适应模型；将工作流中每个任务的候选服务属性、用户对QoS非功能属性的偏好和约束输入收敛的自适应模型中，输出合适的工作流候选服务序列。本发明的基于强化学习的服务组合方法弥补了传统Q-learning的不足，大大减少了服务组合过程中耗费的资源。
-
公开(公告)号：CN110971683B
公开(公告)日：2021-06-15
申请号：CN201911191031.9
申请日：2019-11-28
Applicant: 海南大学
Abstract: 本发明公开了一种基于强化学习的服务组合方法，所述服务组合满足动态约束，其包括如下步骤：根据用户的功能性需求建立工作流，为工作流中的每个任务选取候选服务，对所有候选服务的QoS非功能属性进行数据预处理；根据建立的工作流结构搭建基于强化学习的自适应模型；每一次训练自适应模型时，均将根据建立工作流结构随机生成的训练集、用户对QoS非功能属性的偏好和约束输入自适应模型中，循环迭代若干次训练，以得到收敛的自适应模型；将工作流中每个任务的候选服务属性、用户对QoS非功能属性的偏好和约束输入收敛的自适应模型中，输出合适的工作流候选服务序列。本发明的基于强化学习的服务组合方法弥补了传统Q‑learning的不足，大大减少了服务组合过程中耗费的资源。
-
公开(公告)号：CN112099931A
公开(公告)日：2020-12-18
申请号：CN202010974932.1
申请日：2020-10-09
Applicant: 海南大学
Abstract: 本发明涉及一种任务调度方法及装置，获取并将云端中的待调度任务放入等待队列中，在等待队列中筛选出就绪任务，并根据预设学习模型确定就绪任务的调度优先级和相应调度位置，将就绪任务放入集群，以使集群根据调度优先级和相应调度位置进行任务调度。基于此，通过预设学习模型的调度优先级和相应调度位置的动态设置，满足大规模的任务调度问题，并具有泛化能力。同时，在遇到相同结构的调度任务时，预设学习模型不需要重新训练，减少任务调度过程中消耗的资源。
-
-
Search Results
3
records
(took 0.018 seconds)
