云手机资源分配中的强化学习.pptx

文档介绍：该【云手机资源分配中的强化学习 】是由【科技星球】上传分享，文档一共【29】页，该文档可以免费在线阅读，需要了解更多关于【云手机资源分配中的强化学习 】的内容，可以使用淘豆网的站内搜索功能，选择自己适合的文档，以下文字是截取该文章内的部分文字，如需要获得完整电子版，请下载此文档到您的设备，方便您编辑和打印。,提供与本地手机类似的功能。、内存、存储和网络等有限资源进行优化分配,以满足不同用户的性能和成本需求。,包括用户请求优先级、服务级别协议(SLA)要求和云平台的可用资源。,使应用程序能够更接近用户,减少延迟。,资源分配需要考虑网络带宽和延迟,以确保用户获得最佳的体验。,允许应用程序在需要时扩展或缩减。,实现了应用程序的轻量级部署和管理。,允许应用程序根据需求动态地分配和释放资源。,有助于优化资源利用。,允许开发人员在不管理服务器的情况下运行代码。,资源分配是自动处理的,根据函数的执行时间和资源需求分配计算资源。,并使资源分配更高效、更具成本效益。,更接近终端用户。,资源分配需要优先考虑低延迟和高吞吐量,以支持实时应用和物联网设备。,以适应快速变化的网络条件。,旨在减少能源消耗和碳足迹。,减少闲置资源,从而节省能源。。强化学****的基本概念云手机资源分配中的强化学****强化学****的基本概念强化学****的基本概念:,允许代理通过与环境的交互来优化其行为,无需明确的指导或监督。:代理、环境和奖励函数。代理与环境交互,采取行动,而环境根据代理的行动对其提供奖励。,学****将环境中的状态映射到最优动作上,从而实现最大化总体奖励的目标。马尔可夫决策过程(MDP):,它假设环境是离散的、完全可观察的,并且满足马尔可夫性质(即未来状态仅取决于当前状态,与过去状态无关)。、动作、奖励函数和状态转移概率组成,它有助于形式化强化学****问题并为算法提供决策基础。,即在给定状态下执行的最佳动作,以最大化总体奖励。强化学****的基本概念价值函数:。它有助于代理确定最佳动作,使未来奖励最大化。:状态价值函数和动作价值函数。状态价值函数表示从给定状态开始执行最佳策略的预期奖励,而动作价值函数表示从给定状态执行特定动作并随后遵循最佳策略的期望奖励。,它可以应用动态规划或蒙特卡罗方法。策略:。它可以是确定性的(始终采取相同动作)或随机的(根据概率分布采取动作)。,因为它直接影响代理的长期奖励。、蒙特卡罗方法或时间差分学****等技术来完成。强化学****的基本概念时间差分学****TDL):,它利用当前值函数的估计值来更新其对未来奖励的估计值。这使得TDL能够在不等待最终结果的情况下从经验中学****SARSA和演员-评论家方法。,因为它可以解决难以解决的MDP,并且不需要环境的完整知识。深度强化学****DRL):,扩展了强化学****处理复杂、高维环境的能力。,使其能够从大量数据中学****