基于深度强化学习的云边协同工作流实时调度方法及系统

本发明面向云边协同领域，提出了一种基于深度强化学习的工作流实时调度方法及系统。本发明首先基于云边服务器可用资源量和用户提交的工作流任务，提取工作流各子任务的关键属性和关联关系，基于归一化和拉普拉斯矩阵分解方法计算任务的归一化属性。接着，基于K‑Means++算法和云边服务器特征值，将各子任务以相似性聚类后划分到不同执行环境，以避免资源和成本超支。然后，基于LSTM神经网络构建在线深度学习模型，实时预测云边服务器的带宽和CPU、内存资源。再次，基于神经网络实时生成的服务器状态预测值，构建深度强化学习DDPG算法的初始状态量，实时演算当前工作流在成本约束下执行时间最短的调度方案。最后，计算机系统基于生成的最佳调度方案，执行工作流任务调度，并将执行结果发回用户。