في عصرنا الحالي، تُعتبر جدولة المهام ذات الأولوية تحت قيود الموارد المتجددة من التحديات المهمة في عالم الحوسبة الحديثة. وغالبًا ما يتم نمذجة هذه العملية على أنها "مشكلة استثمار الموارد" (Resource Investment Problem - RIP) التي تهدف إلى تقليل تكلفة توفير الموارد المتجددة في ظل قيود زمنية.

تظهر الأساليب التقليدية، مثل البرمجة المختلطة (Mixed-Integer Programming) والبرمجة القياسية (Constraint Programming)، ضعفًا ملحوظًا عند التعامل مع حالات RIP الكبيرة، مما يجعلها غير عملية. لذلك، تم تطوير iScheduler، وهو إطار عمل يستند إلى التعلم المعزز (Reinforcement Learning) يهدف إلى تعزيز الجدولة لأغراض الاستثمار الواسع النطاق في الموارد.

ما يميز iScheduler هو إمكانية تقسيم مشكلة RIP إلى مجموعة من المشكلات الفرعية، ومن ثم هيكلة عملية الجدولة باستخدام عملية اتخاذ القرار ماركوف (Markov Decision Process). من خلال هذه الطريقة، يتم تسريع عملية تحسين الجدولة ودعم إعادة التهيئة من خلال إعادة استخدام جداول العمليات غير المتغيرة وإعادة جدولة العمليات المتأثرة فقط.

كما تم تطوير مجموعة بيانات L-RIPLIB التي تستند إلى أحمال عمل واسعة النطاق على السحابة، وتحتوي على 1,000 حالة تتضمن بين 2,500 إلى 10,000 مهمة. أظهرت التجارب أن iScheduler يحقق تكلفة موارد تنافسية مع تقليل الوقت اللازم لتحقيق النتائج بمعدل يصل إلى 43 مرة مقارنة بأفضل الحلول المعتمدة على البرامج وفقًا للمعايير المتواجدة.

إذا كنت مهتمًا بأحدث الابتكارات في مجال الذكاء الاصطناعي وتقنيات الجدولة، فإليك فرصة فريدة لتتعرف على iScheduler وتطبيقاته العملية.