能效调度与预测
内容提要
该文综述机器学习在在线调度与能源优化中的应用，涵盖数据中心速度缩放、不确定服务时间调度、医学影像诊断、可再生能源预测及联邦学习能耗控制，提出学习增强算法与鲁棒性-一致性折中框架，并在多场景中优化竞争比率与能源消耗。
延伸解读
机器学习在在线调度中的角色
文章综述了机器学习在在线调度与能源优化中的多种应用，包括数据中心速度缩放、不确定服务时间调度、医学影像诊断、可再生能源预测和联邦学习能耗控制。这些案例表明，机器学习不仅用于预测，还直接参与调度决策，以提升效率或降低能耗。
预测误差的代价与鲁棒性-一致性折中
文章提到“错误预测的代价”框架和鲁棒性-一致性折中，用于衡量使用预测信息的成本。在在线分组调度中，新算法框架在预测误差较小时提高竞争比率，同时保持有界竞争比率。这提示实际系统需权衡预测准确性与算法鲁棒性。
可再生能源调度竞赛的启示
2021年IEEE-CIS技术挑战赛比较了七个顶级解决方案，使用Monash微电网数据、天气和能源市场数据，聚焦可再生能源预测和电池成本优化。最准确的预测来自梯度提升树和随机森林，优化多用混合整数线性和二次规划，为相关研究提供了基准。
联邦学习与无人机调度的能耗优化
文章涉及联邦学习下异构设备的能耗最小化，提出基于伪多项式的最优解和四种算法；同时探讨无人机物联网中任务调度，使用风险敏感强化学习在能耗约束下决策。这些工作显示能耗优化需结合具体场景设计算法。
Q&A
机器学习在数据中心节能调度中有哪些具体应用？
文章提到基于机器学习的动态在线速度缩放算法，用于最小化数据中心能源消耗，并提供了理论和实验证据。
如何处理服务时间不确定的作业调度问题？
文章研究了服务时间不确定且使用机器学习预测时的作业调度，提出了几个策略的性能公式，并引入“错误预测的代价”框架来度量使用预测信息的成本。
基于学习预测器的算法在哪些场景中优化了竞争比率？
文章介绍了一种基于学习预测器的算法设计范例，在二分图匹配、滑雪租赁、页面迁移和作业调度等多场景中优化了多个现有结果，并提供了第一批基于学习理论的担保。
可再生能源调度挑战赛中表现最好的预测模型是什么？
最准确的预测由梯度提升树和随机森林模型得出，而优化大多使用混合整数线性和二次规划。
联邦学习如何降低异构设备上的能耗？
文章提出通过控制工作负载分配来最小化异构设备上的能源消耗，并给出了一种基于伪多项式的最优解决方案，针对单调递增情况提出了四种算法。
无人机物联网任务调度中如何平衡延迟和能耗？
文章设计了任务调度策略以最小化所有任务的离线和计算延迟，同时满足无人机能源容量约束，并提出了基于风险敏感的强化学习算法来解决能耗风险约束下的决策问题。
