چکیده مقاله
مدیریت منابع در شبکه های ابری یکی از چالش های اساسی در عصر دیجیتال محسوب می شود الگوریتم های یادگیری تقویتی به دلیل قابلیت های بالای خود در یادگیری از تجربیات و بهبود تصمیم گیری ها، به عنوان یک راهکار کارآمد در این زمینه مطرح شده اند این مقاله به بررسی و بهینه سازی این الگوریتم ها برای مدیریت منابع در شبکه های ابری می پردازد در ابتدا، به معرفی مفاهیم پایه ای یادگیری تقویتی و چالش های موجود در مدیریت منابع پرداخته می شود سپس، انواع الگوریتم های یادگیری تقویتی، از جمله Q Learning، Deep Q Networks و الگوریتم های پیشرفته تر مانند Proximal Policy Optimization بررسی می شوند با استفاده از رویکردهای مروری، نقاط قوت و ضعف هر یک از این الگوریتم ها در زمینه مدیریت منابع مورد تحلیل قرار می گیرد علاوه بر این، بهینه سازی این الگوریتم ها با استفاده از تکنیک های مختلفی چون یادگیری عمیق و شبکه های عصبی، به عنوان راهکارهایی برای افزایش کارایی و کاهش هزینه ها بررسی می شود نتایج این تحقیق نشان می دهد که استفاده از یادگیری تقویتی می تواند به بهبود عملکرد سیستم های ابری و افزایش بهره وری منابع کمک کند در نهایت، این مقاله به بررسی چالش ها و فرصت های آینده در تحقیق و توسعه الگوریتم های یادگیری تقویتی برای مدیریت منابع در شبکه های ابری می پردازد و پیشنهاداتی برای تحقیقات آتی ارائه می دهد
کلیدواژهها
نویسندگان
امین اسکندری
دانشکده ی فضای مجازی، هوش مصنوعی و فناوری های پیشرفته، واحد شیراز، دانشگاه آزاد اسلامی، شیراز، ایران
علی ملکی
دپارتمان مهندسی کامپیوتر، واحد شیراز، دانشگاه آزاد اسلامی، شیراز، ایران
شیوه ارجاع
�سکندری، امین و ملکی، علی،1404،بررسی و بهینه سازی الگوریتم های یادگیری تقویتی برای مدیریت منابع در شبکه های ابری (Cloud Computing)،ششمین کنفرانس بین المللی هوش مصنوعی و چشم انداز آینده آن در علوم مهندسی برق ، کامپیوتر ، مکانیک و مخابرات،مشهد
ارائهشده در
مجموعه مقالات ششمین کنفرانس بین المللی هوش مصنوعی و چشم انداز آینده آن در علوم مهندسی برق ، کامپیوتر ، مکانیک و مخابرات20 اردیبهشت 1404 · مشهد