{"title":"强化学习在网格缩放中的应用","authors":"Bernardo Fortunato Costa, Inês Dutra, M. Mattoso","doi":"10.5753/wscad.2008.17674","DOIUrl":null,"url":null,"abstract":"Aprendizado por reforço é uma técnica simples que possui aplicação em várias áreas. Um ambiente real de grid, em geral dinâmico e heterogêneo, oferece um ambiente interessante para sua aplicação. Neste trabalho, utilizamos esta técnica para classificar os nós disponíveis em um grid, dando suporte assim a dois algoritmos de escalonamento, AG e MQD. Um ambiente de grid real foi montado e experimentos foram realizados com estes dois algoritmos, de maneira a verificar seu impacto em um ambiente real, com e sem a presença de reescalonamento.","PeriodicalId":285098,"journal":{"name":"Anais do IX Simpósio em Sistemas Computacionais de Alto Desempenho (WSCAD 2008)","volume":"26 1","pages":"0"},"PeriodicalIF":0.0000,"publicationDate":"2008-10-29","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":"0","resultStr":"{\"title\":\"Aprendizado por Reforço aplicado a escalonamento em Grids\",\"authors\":\"Bernardo Fortunato Costa, Inês Dutra, M. Mattoso\",\"doi\":\"10.5753/wscad.2008.17674\",\"DOIUrl\":null,\"url\":null,\"abstract\":\"Aprendizado por reforço é uma técnica simples que possui aplicação em várias áreas. Um ambiente real de grid, em geral dinâmico e heterogêneo, oferece um ambiente interessante para sua aplicação. Neste trabalho, utilizamos esta técnica para classificar os nós disponíveis em um grid, dando suporte assim a dois algoritmos de escalonamento, AG e MQD. Um ambiente de grid real foi montado e experimentos foram realizados com estes dois algoritmos, de maneira a verificar seu impacto em um ambiente real, com e sem a presença de reescalonamento.\",\"PeriodicalId\":285098,\"journal\":{\"name\":\"Anais do IX Simpósio em Sistemas Computacionais de Alto Desempenho (WSCAD 2008)\",\"volume\":\"26 1\",\"pages\":\"0\"},\"PeriodicalIF\":0.0000,\"publicationDate\":\"2008-10-29\",\"publicationTypes\":\"Journal Article\",\"fieldsOfStudy\":null,\"isOpenAccess\":false,\"openAccessPdf\":\"\",\"citationCount\":\"0\",\"resultStr\":null,\"platform\":\"Semanticscholar\",\"paperid\":null,\"PeriodicalName\":\"Anais do IX Simpósio em Sistemas Computacionais de Alto Desempenho (WSCAD 2008)\",\"FirstCategoryId\":\"1085\",\"ListUrlMain\":\"https://doi.org/10.5753/wscad.2008.17674\",\"RegionNum\":0,\"RegionCategory\":null,\"ArticlePicture\":[],\"TitleCN\":null,\"AbstractTextCN\":null,\"PMCID\":null,\"EPubDate\":\"\",\"PubModel\":\"\",\"JCR\":\"\",\"JCRName\":\"\",\"Score\":null,\"Total\":0}","platform":"Semanticscholar","paperid":null,"PeriodicalName":"Anais do IX Simpósio em Sistemas Computacionais de Alto Desempenho (WSCAD 2008)","FirstCategoryId":"1085","ListUrlMain":"https://doi.org/10.5753/wscad.2008.17674","RegionNum":0,"RegionCategory":null,"ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":null,"EPubDate":"","PubModel":"","JCR":"","JCRName":"","Score":null,"Total":0}
Aprendizado por Reforço aplicado a escalonamento em Grids
Aprendizado por reforço é uma técnica simples que possui aplicação em várias áreas. Um ambiente real de grid, em geral dinâmico e heterogêneo, oferece um ambiente interessante para sua aplicação. Neste trabalho, utilizamos esta técnica para classificar os nós disponíveis em um grid, dando suporte assim a dois algoritmos de escalonamento, AG e MQD. Um ambiente de grid real foi montado e experimentos foram realizados com estes dois algoritmos, de maneira a verificar seu impacto em um ambiente real, com e sem a presença de reescalonamento.
求助内容：
应助结果提醒方式：
京公网安备 11010802042870号
