سمینار های آماده

این پروژه یک مقاله آماده با موضوع، بهینه‌سازی زمان‌بندی وظایف در محیط‌های رایانش ابری با استفاده از الگوریتم‌های یادگیری تقویتی عمیق: مدلی مبتنی بر DQN و Double-DQN برای تخصیص منابع پویا در ۱۸ صفحه ورد می باشد. در ادامه چکیده ای از این مقاله را خواهیم داشت: چکیده: در این پژوهش، چارچوبی هوشمند و پویا برای بهینه‌سازی زمان‌بندی وظایف در محیط‌های رایانش ابری مبتنی بر یادگیری تقویتی عمیق ارائه شده است. مدل پیشنهادی با ترکیب دو معماری شبکه Q یادگیر عمیق (DQN) و Double-DQN طراحی گردیده تا با یادگیری از تعامل مستمر با محیط، تخصیص منابع را به صورت خودکار و بهینه انجام دهد. هدف اصلی مدل، کاهش زمان اجرای وظایف، افزایش بهره‌وری منابع، کاهش مصرف انرژی و حفظ سطح کیفیت خدمات (SLA) در شرایط بار کاری پویا است. در این مدل، مسئله زمان‌بندی به‌صورت مسئله تصمیم‌گیری مارکوف (MDP) تعریف شده که در آن حالت‌ها شامل وضعیت منابع، بار وظایف و پارامترهای مصرف انرژی هستند. تابع پاداش به‌گونه‌ای طراحی شده است که همزمان سه هدف اصلی را دنبال کند: حداقل‌سازی زمان اجرا، کاهش مصرف انرژی و جلوگیری از نقض SLA. برای آموزش کارآمدتر عامل، از مکانیزم تجربه بازپخش اولویت‌دار استفاده شده است. ارزیابی عملکرد مدل در بستر CloudSim 3.0 و با استفاده از داده‌های واقعی Google Cluster Trace نشان داد که الگوریتم پیشنهادی در مقایسه با روش‌های مرجع مانند DQN، PSO، GA، ACO و Min-Min عملکرد بهتری دارد. نتایج شبیه‌سازی‌ها حاکی از کاهش میانگین ۱۵ درصدی در زمان تکمیل وظایف، افزایش ۷ درصدی در بهره‌وری منابع، و کاهش ۱۰ درصدی در مصرف انرژی است. همچنین نرخ نقض SLA تا ۴۰ درصد کمتر از روش‌های کلاسیک گزارش شده است. در مجموع، یافته‌ها نشان می‌دهد که استفاده از مدل DQN–Double-DQN رویکردی مؤثر و قابل اعتماد برای مدیریت پویا و هوشمند منابع در محیط‌های ابری است و می‌تواند مبنایی برای توسعه سیستم‌های خودتطبیق و یادگیرنده در نسل آینده‌ی رایانش ابری باشد. کلمات کلیدی: یادگیری تقویتی عمیق، DQN، Double-DQN، زمان‌بندی وظایف، رایانش ابری.