زمان بندی آینده نگرانه وظایف در محاسبات ابری مبتنی بر یادگیری تقویتی

با پیدایش رایانش ابری، کاربران منابع محاسباتی را بر اساس قانون پرداخت در ازای استفاده از ارایه دهندگان سرویس ابری دریافت می کنند. با توجه به محدودیت و پویایی منابع ابری برای اجرای درخواست های متنوع و متغیر با زمان کاربران، نیازمند یک مکانیزم زمان بندی موثر هستیم که خود را با شرایط پویای سیستم وفق داده و بهره وری منابع و رضایت کاربران را در بلندمدت تامین نماید. الگوریتم های زمان بندی موجود تلاش می کنند با توجه به وضعیت فعلی سیستم، زمان بندی بهینه را بیابند که با توجه به پویایی درخواست های کاربران و عدم درک صحیح زمان بند از محیط  لزوما منجر به دستیابی به نتیجه بهینه در بلند مدت نمی گردند و غالبا این الگوریتم ها توانسته اند تنها یکی از  پارامترهای کیفیت سرویس را بهبود ببخشند. در ابن مقاله یک روش زمان بندی مبتنی بر روش یادگیری تقویتی پیشنهاد می شود که به دلیل قابلیت تطبیق با محیط و ارایه پاسخ مناسب به  درخواست های متغیر با زمان، با تخصیص آینده نگرانه وظایف به منابع منجر به افزایش کارایی سیستم در بلندمدت می گردد. نتایج این مقاله نشان می دهد که روش پیشنهادی نه تنها منجر به کاهش زمان پاسخ، زمان انتظار و زمان تکمیل کار می گردد بلکه نرخ بهره وری منابع را هم به عنوان هدف فرعی افزایش می دهد. روش پیشنهادی در محدوده تعداد وظایف بالا، زمان پاسخ را به طور میانگین حدود 52/49 درصد نسبت به Random، 03/46 نسبت به Mix، 99/43 نسبت به FIFO، 53/43 نسبت به Greedy و 68/38 درصد نسبت به Q-sch بهبود ببخشیده است.