本發(fā)明公開(kāi)了基于圖神經(jīng)網(wǎng)絡(luò)深度強(qiáng)化學(xué)習(xí)的多coflow調(diào)度方法，基于深度強(qiáng)化學(xué)習(xí)框架建立了多coflow調(diào)度模型，并采用圖神經(jīng)網(wǎng)絡(luò)和策略網(wǎng)絡(luò)的級(jí)聯(lián)作為深度強(qiáng)化學(xué)習(xí)代理，其中，采用圖神經(jīng)網(wǎng)絡(luò)完成工作流DAG特征的提取，使得模型能夠處理具有不同數(shù)量及連接方式的節(jié)點(diǎn)的工作流DAG，有效提高了模型在不可預(yù)測(cè)輸入DAG下的泛化能力；通過(guò)引入策略轉(zhuǎn)換器，能夠根據(jù)調(diào)度優(yōu)先級(jí)列表生成細(xì)粒度的coflow調(diào)度策略，提高了調(diào)度過(guò)程的效率，并且有效減少了工作流的完成時(shí)間。