Sharif Digital Repository / Sharif University of Technology
    • [Zoom In]
    • [Zoom Out]
  • Page 
     of  0
  • [Previous Page]
  • [Next Page]
  • [Fullscreen view]
  • [Close]
 
به‌کارگیری مدل یادگیری تقویتی عمیق به منظور بارسپاری و تخصیص منابع در زیرساخت‌ های مبتنی بر مه
فلاح میرموسوی اجداد، زهرا Fallah Mir Mousavi Ajdad, Zahra

Cataloging brief

به‌کارگیری مدل یادگیری تقویتی عمیق به منظور بارسپاری و تخصیص منابع در زیرساخت‌ های مبتنی بر مه
پدیدآور اصلی :   فلاح میرموسوی اجداد، زهرا Fallah Mir Mousavi Ajdad, Zahra
ناشر :   صنعتی شریف
سال انتشار  :   1404
موضوع ها :   گردش کار Workflow رایانش مه Fog Computing بارسپاری Offloading تخصیص منابع Resources...
شماره راهنما :   ‭19-58188

Find in content

sort by

Bookmark

  • چکیده (4)
  • فهرست جدول‌ها (8)
  • فهرست شکل‌ها (9)
  • فهرست نمودارها (10)
  • 1 فصل اول: مقدمه (11)
    • 1˗1. اهمیت موضوع (11)
    • 1˗2. تعریف مسئله (13)
    • 1˗3. دستاوردها و نوآوری‌های پژوهش (14)
    • 1˗4. مراحل اجرای پژوهش (15)
    • 1˗5. ساختار پایان‌نامه (16)
  • 2 فصل دوم: مفاهیم پایه (18)
    • 2˗1. سیستم‌های محاسبات توزیع‌شده (18)
      • 2˗1˗1. رایانش ابر (18)
      • 2˗1˗2. رایانش مه (20)
      • 2˗1˗1. رایانش لبه (21)
    • 2˗2. مدیریت منابع و زمان‌بندی (22)
      • 2˗2˗1. بارسپاری وظیفه (22)
      • 2˗2˗2. زمان‌بندی وظایف (23)
      • 2˗2˗3. اکتشاف منبع (23)
      • 2˗2˗4. به اشتراک‌گذاری منبع (24)
      • 2˗2˗5. تخصیص منبع (24)
      • 2˗2˗6. تعادل‌بار (24)
      • 2˗2˗7. فراهم‌سازی منبع (25)
    • 2˗3. جریان‌کار (25)
      • 2˗3˗1. تعریف جریان‌کار (26)
      • 2˗3˗2. جریان‌کارهای علمی و چالش‌های آن‌ها (27)
    • 2˗4. مفاهیم مربوط به یادگیری تقویتی عمیق (28)
      • 2˗4˗1. مقدمه‌ای بر یادگیری تقویتی (29)
        • 2˗4˗1˗1. اجزای اصلی یادگیری تقویتی (29)
        • 2˗4˗1˗2. دسته‌بندی روش‌های یادگیری تقویتی (31)
      • 2˗4˗2. معرفی Q-Learning (33)
      • 2˗4˗3. ترکیب یادگیری عمیق با Q-Learning (34)
      • 2˗4˗4. تکنیک‌های کلیدی برای بهبود پایداری یادگیری در DQN (35)
    • 2˗5. کتابخانه‌ی SimPy (36)
      • 2˗5˗1. معرفی SimPy (36)
      • 2˗5˗2. استفاده از SimPy برای شبیه‌سازی محاسبات ابری و مه (37)
  • 3 فصل سوم: پژوهش‌های پیشین (39)
    • 3˗1. دسته‌بندی بر اساس نوع ورودی (39)
      • 3˗1˗1. پژوهش‌های پیشین بر اساس ورودی‌های مستقل از هم (40)
      • 3˗1˗2. پژوهش‌های پیشین بر اساس ورودی‌های وابسته به هم (41)
    • 3˗2. پژوهش‌های پیشین بر اساس رویکرد مبتنی‌بر یادگیری ماشین (42)
  • 4 فصل چهارم: رویکرد پیشنهادی (47)
    • 4˗1. فرضیات مسئله (47)
      • 4˗1˗1. معماری سیستم (47)
      • 4˗1˗2. نقش هماهنگ کننده‌ی وظایف (49)
      • 4˗1˗3. نقش دستگاه واسط مه (50)
      • 4˗1˗4. مدل برنامه‌های کاربردی ورودی سیستم (51)
    • 4˗2. مدل عامل یادگیرنده تقویتی (51)
      • 4˗2˗1. عامل یادگیر تقویتی حساس به هزینه (52)
        • 4˗2˗1˗1. فضای وضعیت (52)
        • 4˗2˗1˗2. فضای عمل (53)
        • 4˗2˗1˗3. تابع پاداش (53)
      • 4˗2˗2. عامل یادگیر تقویتی حساس به زمان (53)
        • 4˗2˗2˗2. فضای عمل (55)
        • 4˗2˗2˗3. تابع پاداش (55)
    • 4˗3. الگوریتم یادگیری(مرحله آموزش) (55)
      • 4˗3˗1. پیکربندی محیط و عامل‌ها (58)
      • 4˗3˗2. الگوریتم تصمیم‌گیرنده‌ی بارسپاری (60)
      • 4˗3˗3. الگوریتم به‌روزرسانی مدل یادگیر تقویتی (61)
      • 4˗3˗4. سیاست – حریصانه (63)
    • 4˗4. الگوریتم تصمیم گیری نهایی (مرحله استنتاج) (65)
  • 5 فصل پنجم : ارزیابی‌های رویکرد پیشنهادی (67)
    • 5˗1. محیط شبیه‌سازی (67)
    • 5˗2. گروه جریان‌های‌کاری (69)
    • 5˗3. نتایج ارزیابی‌ها (70)
      • 5˗3˗1. ارزیابی مدل یادگیر تقویتی حساس به زمان (70)
      • 5˗3˗2. ارزیابی مدل یادگیری تقویتی حساس به هزینه (73)
      • 5˗3˗3. ارزیابی نتایج بر اساس تصمیم هر دو عامل یادگیر تقویتی با پارامتر متفاوت (75)
  • 6 فصل ششم : جمع‌بندی و کارهای آینده (80)
    • 6˗1. جمع‌بندی (80)
    • 6˗2. نوآوری‌های پژوهش (81)
    • 6˗3. ضعف‌های پژوهش (82)
    • 6˗4. کارهای آینده (82)
  • 7 مراجع (85)
Loading...