面向机器学习任务的调度方法研究

摘要

为了提高机器学习任务执行效率并实现资源与任务的最佳匹配,在传统调度问题理论基础上对调度概念进行拓展,提出一种新的问题解决方案。该解决方案包括基于任务数据相似性原理,对任务集进行特征属性提取,构建以调度算法资源准确率较高为评价目标的数学模型。在考虑资源和任务匹配程度的前提下设计一种基于改进的简化粒子群优化的模糊C均值聚类算法,根据任务聚类结果设计新的基于机器学习任务聚类的任务调度算法。实验结果表明,构建的数学模型在大多数情况下性能良好,优化的聚类算法调用算法准确率比传统方法约高0.3~0.8个百分点,能够有效提高任务调度有效性。