一种基于深度强化学习的成本感知工作流任务调度方法

本发明公开了一种基于深度强化学习的成本感知工作流任务调度方法，包括以下步骤：步骤(1)：构建工作流任务时延模型，步骤(2)：构建工作流任务成本模型；步骤(3)：计算获取工作流任务嵌入；步骤(4)：构建深度强化学习任务调度环境；步骤(5)：构建任务调度决策网络，该网络通过当前的任务调度环境以及工作流任务嵌入，以奖励函数训练迭代任务调度决策网络直至迭代完成。本发明采用图神经网络获取任务嵌入，从而表征工作流任务的高维特征；本发明优化了动作选择策略和优先级经验回放策略，CA‑DRL能够根据任务特性动态优化任务的执行位置，使模型在任务延时与成本目标之间实现更有效的平衡，进而实现高效且经济的任务调度性能。