買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監控用IP管家,真方便！

龍圖騰網恭喜湖南科技學院申請的專利一種基于強化學習的大數據動態分配與優化調度方法獲國家發明授權專利權，本發明授權專利權由國家知識產權局授予，授權公告號為：CN119311407B 。

龍圖騰網通過國家知識產權局官網在2025-05-23發布的發明授權授權公告中獲悉：該發明授權的專利申請號/專利號為：202411347525.2，技術領域涉及：G06F9/50；該發明授權一種基于強化學習的大數據動態分配與優化調度方法是由戴振華;尹向東;黃偉國;劉起明設計研發完成，并于2024-09-26向國家知識產權局提交的專利申請。

本一種基于強化學習的大數據動態分配與優化調度方法在說明書摘要公布了：本發明公開了一種基于強化學習的大數據動態分配與優化調度方法，S1、構建實時運行數據集；S2、對實時運行數據集進行預處理，構建強化學習環境模型；S3、初始化層次化強化學習模型；S4、基于層次化強化學習模型生成最優數據分配和調度策略；S5、實時調整各計算節點的數據分配和任務調度使系統負載均衡、資源利用率最大化；S6、層次化強化學習模型持續監控系統狀態并動態更新策略，在系統負載或環境發生變化時及時對資源分配和調度進行自適應調整；S7、通過多輪迭代優化，層次化強化學習模型逐漸收斂至最優策略。本發明通過強化學習的應用，實現了資源分配和調度策略的自動優化，顯著提高了系統的資源利用率、調度效率和適應性。

本發明授權一種基于強化學習的大數據動態分配與優化調度方法在權利要求書中公布了：1.一種基于強化學習的大數據動態分配與優化調度方法，其特征在于，包括如下步驟：S1、獲取大數據處理系統各計算節點的負載情況、數據流量、存儲空間和網絡延遲參數，構建實時運行數據集；S2、對實時運行數據集進行預處理，構建層次化強化學習模型，將各計算節點的資源狀態作為狀態輸入，將數據分配和調度策略作為動作輸出，系統性能指標作為獎勵函數；S3、初始化層次化強化學習模型，包括高層策略和低層策略；S4、基于層次化強化學習模型生成最優數據分配和調度策略，高層策略根據全局狀態確定子目標，低層策略根據子目標制定具體行動；S5、實時調整各計算節點的數據分配和任務調度使系統負載均衡、資源利用率最大化；S6、在大數據處理過程中，層次化強化學習模型持續監控系統狀態并動態更新策略，在系統負載或環境發生變化時及時對資源分配和調度進行自適應調整；S7、通過多輪迭代優化，層次化強化學習模型逐漸收斂至最優策略；所述S3包括以下步驟：S31、初始化層次化強化學習模型，包括高層策略與低層策略，高層策略負責全局任務規劃、任務分配以及資源調度的戰略性決策，低層策略負責執行具體的節點級任務調度與優化，高層策略與低層策略之間通過協同機制進行交互；S32、定義高層策略的全局規劃機制，高層策略依據全局狀態St評估系統的資源狀況和任務負載，生成全局任務規劃目標和資源分配方案： 其中，πHaH|St為高層策略，Gt為高層生成的全局任務規劃目標，為高層策略折扣因子，RHSt,Gt為高層獎勵函數；S33、低層策略在高層策略生成的全局任務規劃目標Gt的基礎上，在具體節點上執行任務調度和資源優化，低層策略在節點級別執行任務的調度順序并實時調整任務執行計劃： 其中，πLaL|St,Gt表示低層策略在全局狀態St和全局任務規劃目標Gt的指導下選擇的具體執行動作aL，為低層折扣因子，RLSt,aL為低層策略的局部獎勵函數；S34、高層策略與低層策略通過協同優化機制共同實現全局規劃與局部執行的銜接，高層策略負責決策全局任務的戰略方向，低層策略根據此方向進行具體任務的執行，層次化強化學習模型的協同優化公式為： 其中，ηH和ηL分別為高層策略與低層策略的參數，θH和θL分別為高層策略與低層策略的學習率，和分別表示高層策略與低層策略的近端策略優化損失函數；S35、在每次任務執行后，高層策略和低層策略都會基于系統的反饋進行策略更新，高層策略更新全局策略，低層策略更新節點內的調度策略。

如需購買、轉讓、實施、許可或投資類似專利技術，可聯系本專利的申請人或專利權人湖南科技學院，其通訊地址為：425000 湖南省永州市零陵區楊梓塘路130號；或者聯系龍圖騰網官方客服，聯系龍圖騰網可撥打電話0551-65771310或微信搜索“龍圖騰網”。