ІНТЕЛЕКТУАЛЬНИЙ ПІДХІД ДО ПЛАНУВАННЯ З УРАХУВАННЯМ КОНЦЕПЦІЇ ДОПУСТИМОГО БАЛАНСУ РОБІТ
DOI:
https://doi.org/10.26906/SUNZ.2025.4.121Ключові слова:
планування, розподілені системи, ГРІД, ресурси, гетерогенні системиАнотація
У статті представлено інтелектуальний підхід до задачі планування обчислювальних робіт у розподіленому середовищі з урахуванням концепції допустимого балансу навантаження. Запропонована модель поєднує принципи багатокритеріальної оптимізації та машинного навчання для адаптивного розподілу ресурсів між вузлами системи. Введення коефіцієнта допустимості дозволяє динамічно обмежувати набір машин, доступних для виконання конкретної роботи, що підвищує ефективність використання потужностей та зменшує час очікування задач. Розроблений підхід враховує різні критерії ефективності — продуктивність, баланс навантаження та стабільність планування — і може бути реалізований у грід- та хмарних інфраструктурах. Експериментальні результати демонструють, що застосування інтелектуальних алгоритмів дозволяє досягти оптимального компромісу між швидкодією системи та рівномірністю завантаження обчислювальних ресурсів.Завантаження
Посилання
1. Jothi, G., and Saravanan, P. (2017), “A New Algorithm to Find the Optimal Feasible Assignment for an Assignment Problem”, Int. journal of engineering research & technology, vol. 5, issue 04, doi: https://doi.org/10.17577/IJERTCONV5IS04013
2. Kristensen, J.T., Valdivia, A. and Burelli, P. (2020), “Estimating player completion rate in mobile puzzle games using reinforcement learning”, Proc. of the IEEE Conference Computational Intelligence and Games, pp. 636–639, doi: https://doi.org/10.1109/CoG47356.2020.9231581
3. Zhu, W. and Rosendo, A. (2021), “A functional clipping approach for policy optimization algorithms”. IEEE Access, vol. 9, pp. 96056–96063, doi: https://doi.org/10.1109/ACCESS.2021.3094566
4. Hung, P.T., Truong, M.D.D., Hung, P.D. (2022). Tuning Proximal Policy Optimization Algorithm in Maze Solving with MLAgents. In: Singh, M., Tyagi, V., (eds) Advances in Computing and Data Sciences. ICACDS 2022. Communications in Computer and Information Science, vol 1614. Springer, doi: https://doi.org/10.1007/978-3-031-12641-3_21
5. Barabash, O., Bandurka, O., Svynchuk, O. & Tverdenko, H. Method of identification of tree species composition of forests on the basis of geographic information database. Advanced Information Systems, 2022, vol. 6, no. 4, pp 5-10. DOI: https://doi.org/10.20998/2522-9052.2022.4.01
6. Kuchuk, H. and Malokhvii, E. (2024), “Integration of IOT with Cloud, Fog, and Edge Computing: A Review”, Advanced Information Systems, vol. 8(2), pp. 65–78, doi: https://doi.org/10.20998/2522-9052.2024.2.08
7. He, K., Zhang, X., Ren, S. & Sun, J. Deep residual learning for image recognition. Proceedings of the IEEE conference on computer vision and pattern recognition, 2016, pp. 770-778. DOI: https://doi.org/10.1109/CVPR.2016.90
8. Yaloveha, V., Podorozhniak, A. & Kuchuk, H. CNN hyperparameter optimization applied to land cover classification. Radioelectronic and computer systems, 2022, no. 1 (101), pp. 115-128. DOI: https://doi.org/10.32620/reks.2022.1.09
9. Tan, M. & Le, Q. V. Efficientnetv2: Smaller models and faster training. ArXiv (Cornell University), Preprint arXiv:2104.00298, 2021. DOI: https://doi.org/10.48550/arXiv.2104.00298
Downloads
Опубліковано
Номер
Розділ
Ліцензія
Авторське право (c) 2025 Viacheslav Radchenko, Yuliia Andrusenko
Ця робота ліцензується відповідно до Creative Commons Attribution-NonCommercial 4.0 International License.
