基于DRL的异构算力网络动态资源调度策略研究

摘要

面对异构算力网络(HCN)中资源种类多样、计算任务复杂以及网络负载动态波动等挑战，本研究首先构建了HCN数学建模体系，然后引入深度强化学习(DRL)方法，并将长短期记忆(LSTM)网络作为智能调度智能体来捕捉系统状态在时间维度的演化特性，最后基于云计算仿真软件(CloudSim)平台构建异构仿真网络，并借助TensorFlow框架实现模型的部署与训练。本文创新性地设计了一种结合时间序列特征提取能力的LSTM智能体调度框架，并在状态-动作-奖励建模中引入考虑异构资源性能差异与任务优先级权重的多因素联合调度指标。结果表明，本文方法相较于传统调度策略，在多轮迭代测试中均表现出更高的资源利用效率与收敛稳定性。

关键词

异构算力网络 / 动态资源调度 / 深度强化学习 / 任务调度