PPO-STGNN：结合近端策略优化与时空图神经网络，面向云边端协同的DAG任务调度算法发布
arXiv新论文提出PPO-STGNN，将PPO与STGNN结合，用于云边端异构环境下的DAG任务调度，目标是最小化完工时间并改善负载均衡，实验显示该方法在保持低完成时间的同时显著提升负载均衡。
AI解读：这条新闻介绍了一篇arXiv预印本论文，提出PPO-STGNN——一种把近端策略优化（PPO）和时空图神经网络（STGNN）结合起来的DAG任务调度算法。在云边端协同计算中，设备算力、带宽和能耗差异大，任务依赖复杂，传统启发式方法难以适应资源动态变化。PPO-STGNN的独特之处是用STGNN同时提取任务拓扑和物理资源图中的时空特征，再借助PPO优化调度策略，并引入多教师行为克隆加快训练收敛。对实际运行云应用的工程师而言，这项研究提供了一种在异构集群里降低任务完成时间同时改善CPU和内存负载均衡的思路；但论文目前只有作者报告的实验数据，没有独立的基准测试结果，也没有说明与哪些具体基线算法对比、数据集规模多大，因此那些“显著提升”的结论要等完整方法开源并复现后才能确认。普通读者不需要立即采取行动，只有做调度系统研究或平台开发的人才需要跟进后续的代码和详细实验。
一篇新arXiv预印本论文提出PPO-STGNN，一种用于云边端协同环境中计算密集型有向无环图（DAG）任务调度的算法。论文由Yangshuo Qi、Chenwei Wang、Zihan Shen和Songlin Sun撰写，9 月 3 日提交至arXiv（编号 2609.03503），归类于人工智能（cs.AI）。
方法结合近端策略优化（PPO）与时空图神经网络（STGNN）：STGNN从DAG任务拓扑和物理云边端资源图中提取特征，PPO在此基础上优化调度策略，目标是最小化makespan和调度长度比（SLR），同时改善CPU与内存负载均衡。为加速收敛，论文引入了多教师行为克隆机制用于预训练。
作者报告的实验结果显示，PPO-STGNN在保持较低完成时间的同时显著改善了负载均衡，因此适用于动态、异构的云边端DAG调度场景。该论文目前为预印本，尚未经过同行评审，arXiv DOI正在注册中。