面向异构 DAG 调度的带间隙感知生成学习方法
机器学习
2026-03-25 v1 人工智能
最优化与控制
摘要
在异构环境中高效调度有向无环图（DAG）具有挑战性，原因在于资源容量和依赖关系。实际上，在不同资源池和任务类型的环境中进行自适应的需求，以及快速调度生成，使这些挑战更加复杂。我们提出 WeCAN，一个面向异构 DAG 调度的端到端强化学习框架，解决了任务-池兼容性系数和生成引起的最优性间隙问题。它采用两阶段单次遍历设计：一次前向遍历生成任务-池分数和全局参数，随后通过一个生成映射在不重复调用网络的情况下构建调度方案。其加权交叉注意力编码器通过兼容性系数对任务-池交互进行门控，并且对环境波动具有大小无关性。此外，广泛使用的列表调度映射可能因受限可达性而产生生成引起的最优性间隙。我们引入了一种顺序空间分析，通过可行调度顺序刻画生成映射的可达集，解释生成引起间隙的机制，并得出消除间隙的充分条件。在这些条件的指导下，我们设计了一种带跳过扩展的实现，采用解析参数化的递减跳过规则，在保持单次遍历效率的同时扩大了可达顺序集。在计算图和真实 TPC-H DAG 上的实验表明，与强基线相比 makespan 得到改善，推理时间与经典启发式方法相当，且快于多轮神经调度器。
引用
@article{arxiv.2603.23249,
title = {A Learning Method with Gap-Aware Generation for Heterogeneous DAG Scheduling},
author = {Ruisong Zhou and Haijun Zou and Li Zhou and Chumin Sun and Zaiwen Wen},
journal= {arXiv preprint arXiv:2603.23249},
year = {2026}
}
备注
30pages, 8 figures