XiaoMi-AI文件搜索系统
World File Search System负载平衡
图形卷积加固学习用于负载平衡和智能排队
摘要 - 在本文中，我们为在协作环境中为智能负载平衡和排队代理提供了图形卷积深的加固学习框架。我们旨在平衡不同路径上的流量负载，然后控制网络节点上属于不同流量类别的数据包。我们的目标是双重的：首先是在吞吐量和端到端延迟方面提高一般网络性能，其次，以确保满足一组分类网络流的严格服务水平协议。我们的建议使用注意机制从当地观察和邻里政策中提取相关特征，以限制机构间通信的开销。我们在台球测试台中评估了我们的算法，并表明它们在吞吐量和端到端延迟方面都优于加载平衡和智能排队的经典方法。索引术语 - 智能排队，负载平衡，深入执行学习，多代理系统。
基于优先级的负载平衡与多代理深的增强学习，用于空气空间集成网络切片
摘要 - 已研究了用于支持多样化应用的Space-Air-fromend集成网络（SAGIN）切片，该应用由陆地（TL）组成，由基站（BS）部署（BS），由无人驾驶汽车（无人驾驶汽车（UAV）的空中层部署的空中层（AL）组成。每个Sagin组件的能力是有限的，在退出文献中尚未完全考虑高效和协同负载平衡。为了这种动机，我们最初提出了一种基于优先级的载荷平衡方案，用于Sagin切片，其中AL和SL合并为一层，即非TL（NTL）。首先，在相同的物理萨金下建造了三个典型的切片（即高通量，低延迟和宽覆盖片）。然后，引入了一种基于优先级的跨层负载平衡方法，用户将拥有访问陆地BS的优先级，并且不同的切片具有不同的优先级。更具体地说，超载的BS可以将低优先级切片的用户卸载到NTL。此外，通过制定多目标优化问题（MOOP），共同优化相应切片的吞吐量，延迟和覆盖范围。此外，由于TL和NTL的独立性和优先级关系，上述摩托车被分解为两个子摩托车。报告的仿真结果表明了我们提出的LB方案的优势，并表明我们所提出的算法优于基准测试器。最后，我们自定义了一个两层多代理的深层确定性策略梯度（MADDPG）算法，用于求解这两个子问题，该问题首先优化了TL的用户-BS关联和资源分配，然后确定UAVS的位置部署，USE-UAV/Leo satellite Satellite Association和NTL的资源分配。
机器学习驱动的节能负载平衡
在 [1] 中，作者研究了异构系统中数据并行应用负载均衡的能效。该研究旨在优化负载均衡技术，以最大限度地降低这些系统的能耗。他们评估了三种数据并行应用的负载均衡方法：静态、动态和 H 引导。静态负载均衡算法将总工作负载划分为多个工作负载，这些工作负载的数量等于系统中的设备数量。然后，为每个设备分配一个工作负载份额，其大小与其计算速度成正比。设备的计算速度定义为该设备在单位时间内可以完成的工作量。相比之下，动态算法将总工作负载划分为多个大小相等的小任务包，从而创建的任务包数量超过可用设备的数量。每个设备最初都会被分配一个任务包进行处理。当某个设备完成其分配任务包的执行后，它将被分配下一个排队的任务包。但是，如果某个设备空闲且排队中没有任务包，它会从过载的设备上窃取任务包。另一方面，H引导方法与动态方法使用相同的算法，但对包大小的处理方式不同。与采用相同大小包的动态方法不同，引导算法会随着剩余工作组数量的减少而减小包大小。
利用期权定价实现可再生能源感知地理负载平衡，从而最小化数据中心的能源成本
摘要：适当控制广泛分布的数据中心的功耗变得越来越困难。由于需要运行这些数据中心 (DC) 来处理传入的用户请求，因此能源消耗很高。数据中心电力成本的上升是云服务提供商 (CSP) 面临的一个当代问题。最近的研究表明，地理分布的数据中心可以使用批发电力市场中的可变电价和定价衍生品来分担负载并节省资金。在本研究中，我们评估了在考虑可变系统动态、电价波动和可再生能源的同时降低地理分散数据中心的能源支出的问题。我们提出了一种基于可再生能源的负载平衡，采用基于贪婪方法的期权定价 (RLB-Option) 在线算法进行交互式任务分配以降低能源成本。RLB-Option 的基本思想是使用可用的可再生能源来处理传入的用户请求。相反，对于未处理的用户请求，将在每个时隙使用棕色能源或看涨期权合约来处理工作负载。我们将地理分布式 DC 中的能源成本最小化公式化为一个优化问题，同时考虑地理负载平衡、可再生能源和衍生品市场的期权定价合同，同时满足一组约束条件。我们证明 RLB-Option 可以将 DC 的能源成本降低到接近具有未来信息的最佳离线算法的水平。与标准工作负载分配方法相比，RLB-Option 在基于真实数据的实验评估中显示出显著的成本节省。
利用工业机器工作负载平衡的约束优化
有效的生产计划是基于约束的优化技术的重要应用领域。问题域（例如流程和工作店计划）是广泛的研究目标，解决方法从完整和本地搜索到机器学习方法。在本文中，我们设计和比较了基于约束的优化技术，以在建筑物到印刷业务中调度专业制造过程。目标是分配生产设备，以便尽可能及时完成客户订单，同时尊重机器能力并最大程度地减少解决瓶颈所需的额外轮班。为此，我们提供了几种方法，用于将未决的生产任务安排到一个或多个工作日以执行它们。首先，我们提出了一种贪婪的自定义算法，该算法允许快速筛选改变资源需求和可用性的影响。此外，我们利用这种贪婪的解决方案来参数化和温暖整数线性编程（ILP）和约束编程（CP）求解器对相应的问题公式进行的优化。我们的经验评估是基于Kostwein Holding GmbH的生产数据，GmbH是建筑直通业务的全球供应商，因此证明了我们调度方法的工业适用性。我们还提出了一个用户友好的Web界面，用于为基础求解器提供客户订单和设备数据，图形显示计算的时间表，并促进对更改资源需求和可用性的调查，例如，由于更新订单或包括额外的偏移。
双标准近似算法，用于负载平衡的无关机器，成本
我们研究了具有成本限制的无关机器上的负载平衡问题的广义版本：给定一组M机器（某些类型）和一组n个工作，在机器上处理的每个作业j都需要P i，j时间单位，并造成成本ci，j，j，j，j，j，j，and j，该目标是为一项工作的工作时间，该工作时间是有序的，这些工作是有序的，该工具是有序的。优化了机器完成时间的矢量的某些客观函数，但要受到以下限制，即按时间表总成本必须在给定的预算范围内b。是由文献的最新结果激发的，我们的重点是机器类型数量是固定常数的情况，我们为研究问题开发了双标准近似方案。我们的结果在某些特殊情况下概括了几个已知结果，例如带有相同机器的情况，或具有恒定数量具有成本限制的机器的情况。构建了Jansen和Maack [15]最近提出的优雅技术，我们构建了一种更通用的方法，该方法可用于将近似方案推导到具有约束条件的更广泛的负载平衡问题上。