作者
韩 卓
文章摘要
为了改善容器云平台传统任务调度算法所存在的资源分配不均、动态适应性差、多目标优化冲突等状况，提出了一种用Actor-Critic深度强化学习来实现的任务调度方法。本方法依靠深度强化学习的自主决策和动态优化能力，创建容器云集群状态感知模型，把任务调度变成序列决策问题，用Actor网络输出调度决策，用Critic网络实时评价决策价值，从而达成调度策略的端到端自主优化。从实验结果可以看出，该方法相比传统的调度算法，在资源利用率、任务完成时延、集群负载均衡度等主要指标上都有明显提高，可以很好地适应容器云平台动态多变的业务环境，为容器云高效任务调度提供了一种可行的技术方案。
文章关键词
容器云平台；任务调度；Actor-Critic；深度强化学习；资源优化
参考文献
[1] 张玉樟,田乐,魏华利,等.基于策略熵监督的在线强化学习任务调度算法[J/OL].计算机工程,1-13[2026-03-23].https://doi.org/10.19678/j.issn.1000-3428.0253414.
[2] 周雅,王乾,方如举.配电网中基于混合DRL的任务卸载与多资源协同调度优化方法[J].电力系统保护与控制,2026,54(04):165-174.
[3] 陈永,刘骅驹,张冰旺.基于深度强化学习的高速铁路监控视频MEC智能卸载方法[J].铁道学报,2026,48(02):96-104.
Full Text:
DOI
