論文の概要: A Constraint Programming-based Job Dispatcher for Modern HPC Systems and
Applications
- arxiv url: http://arxiv.org/abs/2009.10348v2
- Date: Mon, 28 Sep 2020 20:28:03 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-15 23:01:49.402143
- Title: A Constraint Programming-based Job Dispatcher for Modern HPC Systems and
Applications
- Title(参考訳): 制約プログラミングに基づく最新のHPCシステムとアプリケーションのためのジョブディスパッチャー
- Authors: Cristian Galleguillos, Zeynep Kiziltan, Ricardo Soto
- Abstract要約: 最新のHPCシステムとアプリケーションのための新しいCPベースのオンラインジョブディスパッチを提案する。
前者とは異なり、新しいディスパッチはCPのすべての問題に対処し、そのモデルサイズはシステムサイズとは独立している。
- 参考スコア(独自算出の注目度): 2.022078407932399
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Constraint Programming (CP) is a well-established area in AI as a programming
paradigm for modelling and solving discrete optimization problems, and it has
been been successfully applied to tackle the on-line job dispatching problem in
HPC systems including those running modern applications. The limitations of the
available CP-based job dispatchers may hinder their practical use in today's
systems that are becoming larger in size and more demanding in resource
allocation. In an attempt to bring basic AI research closer to a deployed
application, we present a new CP-based on-line job dispatcher for modern HPC
systems and applications. Unlike its predecessors, our new dispatcher tackles
the entire problem in CP and its model size is independent of the system size.
Experimental results based on a simulation study show that with our approach
dispatching performance increases significantly in a large system and in a
system where allocation is nontrivial.
- Abstract(参考訳): 制約プログラミング(CP)は、離散最適化問題のモデル化と解決のためのプログラミングパラダイムとして、AIにおいて確立された分野であり、現代のアプリケーションを含むHPCシステムにおけるオンラインジョブディスパッチ問題に対処するためにうまく適用されてきた。
利用可能なcpベースのジョブディスパッチの制限は、サイズが大きくなり、リソース割り当てが要求される現在のシステムでの使用を阻害する可能性がある。
デプロイされたアプリケーションに基本的なAI研究を近づけるために,最新のHPCシステムやアプリケーションのためのCPベースのオンラインジョブディスパッチを提案する。
前者とは異なり、新しいディスパッチはCPのすべての問題に対処し、そのモデルサイズはシステムサイズとは独立している。
シミュレーションによる実験結果から, 大規模システムやアロケーションが非自明なシステムでは, 分散性能が著しく向上することが明らかとなった。
関連論文リスト
- Learning Logic Specifications for Policy Guidance in POMDPs: an
Inductive Logic Programming Approach [57.788675205519986]
我々は任意の解法によって生成されるPOMDP実行から高品質なトレースを学習する。
我々は、データと時間効率のIndu Logic Programming(ILP)を利用して、解釈可能な信念に基づくポリシー仕様を生成する。
ASP(Answer Set Programming)で表現された学習は、ニューラルネットワークよりも優れた性能を示し、より少ない計算時間で最適な手作りタスクに類似していることを示す。
論文 参考訳(メタデータ) (2024-02-29T15:36:01Z) - Age-Based Scheduling for Mobile Edge Computing: A Deep Reinforcement
Learning Approach [58.911515417156174]
我々は情報時代(AoI)の新たな定義を提案し、再定義されたAoIに基づいて、MECシステムにおけるオンラインAoI問題を定式化する。
本稿では,システム力学の部分的知識を活用するために,PDS(Post-Decision State)を導入する。
また、PSDと深いRLを組み合わせることで、アルゴリズムの適用性、スケーラビリティ、堅牢性をさらに向上します。
論文 参考訳(メタデータ) (2023-12-01T01:30:49Z) - An End-to-End Reinforcement Learning Approach for Job-Shop Scheduling
Problems Based on Constraint Programming [5.070542698701157]
本稿では,CPと強化学習(Reinforcement Learning, RL)を用いてスケジューリング問題を解決する新しいエンドツーエンドアプローチを提案する。
当社のアプローチでは,既存のCPソルバを活用して,プライオリティ・ディスパッチ・ルール(PDR)を学ぶエージェントをトレーニングする。
論文 参考訳(メタデータ) (2023-06-09T08:24:56Z) - ALT: An Automatic System for Long Tail Scenario Modeling [15.76033166478158]
この問題に対処するために,ALTという自動システムを提案する。
各種自動機械学習関連技術を活用するなど,我々のシステムで使用されるアルゴリズムを改善するために,いくつかの取り組みがなされている。
システムを構築するには、システムの観点から多くの最適化が行われ、本質的なモジュールは武装している。
論文 参考訳(メタデータ) (2023-05-19T02:35:39Z) - MARLIN: Soft Actor-Critic based Reinforcement Learning for Congestion
Control in Real Networks [63.24965775030673]
そこで本研究では,汎用的な渋滞制御(CC)アルゴリズムを設計するための新しい強化学習(RL)手法を提案する。
我々の解であるMARLINは、Soft Actor-Criticアルゴリズムを用いてエントロピーとリターンの両方を最大化する。
我々は,MARLINを実ネットワーク上で訓練し,実ミスマッチを克服した。
論文 参考訳(メタデータ) (2023-02-02T18:27:20Z) - Human-in-the-Loop Large-Scale Predictive Maintenance of Workstations [89.51621054382878]
予測保守(英: Predictive maintenance, PdM)とは、システムの状態の統計的解析に基づいて、保守作業のスケジューリングを行うタスクである。
本稿では,機械学習システムがワークステーションの集合における将来の問題を予測できるPdM手法を提案する。
論文 参考訳(メタデータ) (2022-06-23T09:40:46Z) - MCDS: AI Augmented Workflow Scheduling in Mobile Edge Cloud Computing
Systems [12.215537834860699]
近年,エッジコンピューティングプラットフォームの低応答時間を利用してアプリケーション品質・オブ・サービス(QoS)を最適化するスケジューリング手法が提案されている。
本稿では,Deep Surrogate Models を用いたモンテカルロ学習を用いて,モバイルエッジクラウドコンピューティングシステムにおけるワークフローアプリケーションを効率的にスケジューリングする手法を提案する。
論文 参考訳(メタデータ) (2021-12-14T10:00:01Z) - Efficient Model-Based Multi-Agent Mean-Field Reinforcement Learning [89.31889875864599]
マルチエージェントシステムにおける学習に有効なモデルベース強化学習アルゴリズムを提案する。
我々の理論的な貢献は、MFCのモデルベース強化学習における最初の一般的な後悔の限界である。
コア最適化問題の実用的なパラメトリゼーションを提供する。
論文 参考訳(メタデータ) (2021-07-08T18:01:02Z) - Online Adaptive Learning for Runtime Resource Management of
Heterogeneous SoCs [15.523246628432654]
本稿では、模倣学習(IL)と明示的非線形モデル予測制御(NMPC)の2つの近代的アプローチを用いたオンライン制御における予測モデルの使用について述べる。
16のベンチマークによる商用モバイルプラットフォームの評価は、ILアプローチが制御ポリシーを未知のアプリケーションに適用することに成功していることを示している。
明示的なNMPCは、最新のGPUサブシステムの多変数電力管理のための最先端のアルゴリズムと比較して25%の省エネを提供する。
論文 参考訳(メタデータ) (2020-08-22T01:39:32Z) - A Novel Multi-Agent System for Complex Scheduling Problems [2.294014185517203]
本稿では,様々な問題領域に適用可能なマルチエージェントシステムの概念と実装について述べる。
提案手法の有効性を示すため,NP-hardスケジューリング問題をシミュレートする。
本稿では,レイアウトの複雑さの低減,複雑なシステムの制御の改善,拡張性など,エージェントベースのアプローチの利点を強調した。
論文 参考訳(メタデータ) (2020-04-20T14:04:58Z) - Information Theoretic Model Predictive Q-Learning [64.74041985237105]
本稿では,情報理論的MPCとエントロピー正規化RLとの新たな理論的関連性を示す。
バイアスモデルを利用したQ-ラーニングアルゴリズムを開発した。
論文 参考訳(メタデータ) (2019-12-31T00:29:22Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。