近年来，有许多使用服务质量（QoS）参数执行工作流应用程序的调度算法。 在本文中，我们考虑到异构资源的时间和成本约束，改进了调度工作流算法，该算法称为使用子截止时间调度（BDSD）约束的BudgetDeadline。 有了用户所需的截止日期和预算约束，我们使用BDSD算法来找到满足这两个约束的调度。 我们使用规划成功率（PSR）来展示算法的有效性。 在模拟实验中，我们使用随机工作流应用程序和实际工作流应用程序进行实验。 仿真结果表明，与其他算法相比，我们的BDSD算法在任务和处理器上具有较高的PSR和较低的时间复杂度（2）。

基于深度强化学习的云工作流调度 有向无环图，工作流，深度强化学习，图神经网络； 蒙特卡洛树搜索

一、LiteFlow是做什么的 liteflow是一个基于任务版本来实现的分布式任务流调度系统 1.实现任务在任务流间共享 2.任务/任务流的可视化配置 3.一键修复任务/任务流修复提高数据修复效率 4.动态表单+容器机制，提供一个可扩展性比较强的执行引擎 5.执行者可以运行任何类型的任务，shell、python 二、LiteFlow项目介绍 1.项目主要分为控制台和执行引擎 1) 主要用来配置以及调度任务 2) 执行引擎(EXECUTOR) 依托容器->插件->任务实现 容器分为同步容器和异步容器 三、相关知识 1. 2. 3. 4. 5.项目部署相关 相关项目 dubbo azkaban

python本科毕业设计《基于深度强化学习的云工作流调度》。关键词：有向无环图，工作流，深度强化学习，图神经网络； 蒙特卡洛树搜索python本科毕业设计《基于深度强化学习的云工作流调度》。关键词：有向无环图，工作流，深度强化学习，图神经网络； 蒙特卡洛树搜索python本科毕业设计《基于深度强化学习的云工作流调度》。关键词：有向无环图，工作流，深度强化学习，图神经网络； 蒙特卡洛树搜索python本科毕业设计《基于深度强化学习的云工作流调度》。关键词：有向无环图，工作流，深度强化学习，图神经网络； 蒙特卡洛树搜索python本科毕业设计《基于深度强化学习的云工作流调度》。关键词：有向无环图，工作流，深度强化学习，图神经网络； 蒙特卡洛树搜索python本科毕业设计《基于深度强化学习的云工作流调度》。关键词：有向无环图，工作流，深度强化学习，图神经网络； 蒙特卡洛树搜索python本科毕业设计《基于深度强化学习的云工作流调度》。关键词：有向无环图，工作流，深度强化学习，图神经网络； 蒙特卡洛树搜索python本科毕业设计《基于深度强化学习的云工作流调度》。关键词：有向无环图，工作流，深

ds工作流调度安装,sqoop,datax.

结合PeriodPatch算法，通过给每一流赋予QOS水平参数，并吸收了排队策略中RED算法的思想提出了基于带宽公平分配和周期流合并策略的流调度算法（FBAPeriodPatch）。阐述了FBAPeriodpatch算法的五个组成部分；构造了仿真实验环境。通过实验得出了一组仿真数据，进一步分析了算法的性能，验证了它的可行性和先进性。

基于强化学习的云工作流调度算法

apache oozie the workflow scheduler for hadoop-（apache处理工作流调度程序），介绍oozie的使用以及Hadoop的相关知识和配置

满足帕累托最优的多目标云工作流调度算法.pdf

针对目前云计算服务中用户体验的要求不断提高，工作流业务繁多且复杂的现状，本文为了改善工作流中各子任务执行效率不平均以及计算资源利用率低的问题，通过云工作流仿真环境，结合群体智能优化算法理论，根据科学工作流模型，创建任务集合，提出一种改进粒子群优化算法（PSO）用以优化工作流中任务调度策略，并进行仿真。仿真结果表明，本文提出的改进粒子群优化算法，与模拟退火粒子群优化算法（SA-PSO）对比，特别在面对云工作流节点多而复杂的情况时，执行成本可以减少20%，调度效果更好。