La programación eficiente de tareas en la computación en la nube es crucial para gestionar cargas de trabajo dinámicas mientras se equilibran el rendimiento, la eficiencia energética y los costos operativos. Este documento presenta un novedoso marco de Programación de Tareas Multiobjetivo impulsado por Aprendizaje por Refuerzo (RL-MOTS) que aprovecha una Red Profunda Q (DQN) para asignar dinámicamente tareas a través de máquinas virtuales. Al integrar la optimización multiobjetivo, RL-MOTS minimiza simultáneamente el consumo de energía, reduce costos y asegura la Calidad de Servicio (QoS) bajo condiciones de carga de trabajo variables. El marco emplea una función de recompensa que se adapta a la utilización de recursos en tiempo real, plazos de tareas y métricas de energía, permitiendo un rendimiento robusto en entornos de nube heterogéneos. Las evaluaciones realizadas en una plataforma de nube simulada demuestran que RL-MOTS logra una reducción de hasta el 27% en el consumo de energía y una mejora del 18% en la eficiencia de costos en comparación con métodos heurísticos y metaheurísticos de última generación, mientras cumple con estrictas restricciones de tiempo. Su adaptabilidad a arquitecturas híbridas de nube y borde convierte a RL-MOTS en una solución prospectiva para sistemas de computación distribuida de próxima generación.
Yu et al. (Wed,) estudiaron esta cuestión.