买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网恭喜湖南科技学院申请的专利一种基于强化学习的大数据动态分配与优化调度方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN119311407B 。

龙图腾网通过国家知识产权局官网在2025-05-23发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202411347525.2，技术领域涉及：G06F9/50；该发明授权一种基于强化学习的大数据动态分配与优化调度方法是由戴振华;尹向东;黄伟国;刘起明设计研发完成，并于2024-09-26向国家知识产权局提交的专利申请。

本一种基于强化学习的大数据动态分配与优化调度方法在说明书摘要公布了：本发明公开了一种基于强化学习的大数据动态分配与优化调度方法，S1、构建实时运行数据集；S2、对实时运行数据集进行预处理，构建强化学习环境模型；S3、初始化层次化强化学习模型；S4、基于层次化强化学习模型生成最优数据分配和调度策略；S5、实时调整各计算节点的数据分配和任务调度使系统负载均衡、资源利用率最大化；S6、层次化强化学习模型持续监控系统状态并动态更新策略，在系统负载或环境发生变化时及时对资源分配和调度进行自适应调整；S7、通过多轮迭代优化，层次化强化学习模型逐渐收敛至最优策略。本发明通过强化学习的应用，实现了资源分配和调度策略的自动优化，显著提高了系统的资源利用率、调度效率和适应性。

本发明授权一种基于强化学习的大数据动态分配与优化调度方法在权利要求书中公布了：1.一种基于强化学习的大数据动态分配与优化调度方法，其特征在于，包括如下步骤：S1、获取大数据处理系统各计算节点的负载情况、数据流量、存储空间和网络延迟参数，构建实时运行数据集；S2、对实时运行数据集进行预处理，构建层次化强化学习模型，将各计算节点的资源状态作为状态输入，将数据分配和调度策略作为动作输出，系统性能指标作为奖励函数；S3、初始化层次化强化学习模型，包括高层策略和低层策略；S4、基于层次化强化学习模型生成最优数据分配和调度策略，高层策略根据全局状态确定子目标，低层策略根据子目标制定具体行动；S5、实时调整各计算节点的数据分配和任务调度使系统负载均衡、资源利用率最大化；S6、在大数据处理过程中，层次化强化学习模型持续监控系统状态并动态更新策略，在系统负载或环境发生变化时及时对资源分配和调度进行自适应调整；S7、通过多轮迭代优化，层次化强化学习模型逐渐收敛至最优策略；所述S3包括以下步骤：S31、初始化层次化强化学习模型，包括高层策略与低层策略，高层策略负责全局任务规划、任务分配以及资源调度的战略性决策，低层策略负责执行具体的节点级任务调度与优化，高层策略与低层策略之间通过协同机制进行交互；S32、定义高层策略的全局规划机制，高层策略依据全局状态St评估系统的资源状况和任务负载，生成全局任务规划目标和资源分配方案： 其中，πHaH|St为高层策略，Gt为高层生成的全局任务规划目标，为高层策略折扣因子，RHSt,Gt为高层奖励函数；S33、低层策略在高层策略生成的全局任务规划目标Gt的基础上，在具体节点上执行任务调度和资源优化，低层策略在节点级别执行任务的调度顺序并实时调整任务执行计划： 其中，πLaL|St,Gt表示低层策略在全局状态St和全局任务规划目标Gt的指导下选择的具体执行动作aL，为低层折扣因子，RLSt,aL为低层策略的局部奖励函数；S34、高层策略与低层策略通过协同优化机制共同实现全局规划与局部执行的衔接，高层策略负责决策全局任务的战略方向，低层策略根据此方向进行具体任务的执行，层次化强化学习模型的协同优化公式为： 其中，ηH和ηL分别为高层策略与低层策略的参数，θH和θL分别为高层策略与低层策略的学习率，和分别表示高层策略与低层策略的近端策略优化损失函数；S35、在每次任务执行后，高层策略和低层策略都会基于系统的反馈进行策略更新，高层策略更新全局策略，低层策略更新节点内的调度策略。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人湖南科技学院，其通讯地址为：425000 湖南省永州市零陵区杨梓塘路130号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。