本研究提出了一种新方法GPRT，结合强化学习与遗传编程，旨在解决动态调度中的不可预测干扰问题。该方法在集装箱码头调度中展现出优于传统方法的适应性和有效性。

本研究提出了一种基于图神经网络的动态调度框架(QAG)，旨在提高网络建模的能效。通过量子近似优化(QAO)算法，该框架有效降低了模型复杂度，实现了至少50%的能量节省，并将应用需求流失率降低了60%。

本研究提出E-3SFC方法，以解决联邦学习中因模型规模增加而导致的通信负担问题。通过双向压缩和动态通信预算调度，E-3SFC显著提高了压缩效率，降低了通信成本，提升了通信效率。

本研究探讨了深度强化学习(DRL)在作业车间调度中的应用，提出了多种改进框架和方法，显示出相较于传统算法的优越性。研究涵盖动态调度、模因算法和图神经网络等技术，强调了DRL在复杂调度问题中的潜力与挑战，为未来研究提供了重要参考。

本文提出了一种基于Lyapunov优化框架的动态调度策略，旨在最大化用户生成训练数据的时间平均重要性，同时满足能耗和延迟约束。研究了联邦边缘学习系统中的挑战，提出数据感知调度框架，并探讨数据隐私保护和能效传输的问题。通过优化资源分配和调度策略，显著提升了学习性能和节能效果。

Primus是一个通用的分布式训练调度框架，支持多种训练框架、调度器和角色，具备容错处理、动态调度、多数据源数据类型支持等功能。它能够帮助算法工程师从底层细节中解脱出来，更多地关注算法层面。