利用强化学习提高混合关键性调度效率
机器学习
2025-04-09 v2 人工智能
多智能体系统
系统与控制
系统与控制
摘要
本文提出一种新颖的强化学习（RL）方法，用于对具有不同处理器速度的混合关键性（MC）系统进行调度。我们在 [1] 所述基础上进行扩展，解决已知为NP难题的非抢占式调度问题。通过将该调度挑战建模为马尔可夫决策过程（MDP），我们开发了一种能够为实时混合关键性系统生成近最优调度的 RL 智能体。我们的 RL 调度器在保持整体系统性能的同时，优先处理高关键性任务。通过大量实验，我们展示了该方法的可扩展性和有效性。实验结果表明，RL 调度器显著提高了任务完成率，在 100,000 组合成数据和真实数据测试中，整体完成率约为 80%，高关键性任务完成率为 85%。此外，在无性能退化的稳定条件下，调度器实现约 94% 的整体任务完成率和 93% 的高关键性任务完成率。这些结果凸显了 RL 基于调度器在实时和安全关键应用中处理复杂和动态调度场景的潜力。
引用
@article{arxiv.2504.03994,
title = {Improving Mixed-Criticality Scheduling with Reinforcement Learning},
author = {Muhammad El-Mahdy and Nourhan Sakr and Rodrigo Carrasco},
journal= {arXiv preprint arXiv:2504.03994},
year = {2025}
}
备注
This work was submitted to the 32nd International Conference on Real-Time Networks and Systems (RTNS) on June 8, 2024