AIT2–FRL：一种结合区间二型模糊推理与离线强化学习的雾-云任务多目标调度方法

《Scientific Reports》：AIT2-FRL: offline PPO-optimized interval type-2 fuzzy scheduling for fair and sustainable fog–cloud systems

　　

摘要

雾-云系统支持延迟敏感的物联网应用，但异构且时变的资源使任务调度成为一个多目标问题。节点在处理速度、功耗需求、网络延迟、故障倾向和碳强度方面各不相同，而任务在紧急程度和资源需求上也有所差异。现有启发式方法编码的权衡有限，基于种群的优化器可能需要重复搜索，而直接强化学习调度器可能会模糊部署时的决策。本研究提出AIT2–FRL，一种用于独立雾-云任务的二阶段调度器，结合了区间二型模糊推理与离线近端策略优化。模糊层表示紧急程度、拥塞和碳条件的不确定性，建立一次性任务顺序，并生成针对完工时间、能耗、碳排放、不可靠性和负载失衡的上下文相关权重。PPO仅在离线训练期间用于校准隶属度函数和权重参数；验证选中的检查点随后被冻结。在部署期间，可行节点通过确定性加权得分进行排序，其复杂度为候选节点数量的线性函数。评估涵盖六种工作负载规模、17个匹配的留出种子、四个基线、消融实验、敏感性和收敛性分析，以及在常见轨迹和约束下最多256个节点的资源池。AIT2–FRL在所有工作负载下均实现了全部五个主要目标的最佳均值，除最小规模下的不可靠性外，所有工作负载均具有统计支持。次要响应时间和运行时间结果表明，这些优势并未扩展到每个运营指标。