A basic RL model consists of: (1) a

A basic RL model consists of: (1) a set of states that sufficiently describes the environment and the problem being solved; (2) a set of actions that the RL agent can perform; and (3) a reward function that assigns credit for performing an action in a state and moving to another state. In the context of DRAM scheduling, the RL agent is the memory scheduler, the pending requests and the state of the CPU and memory subsystem constitute the environment, and the legal DRAM commands at each point in time are the actions that the RL agent can perform [17]. The set of states and the reward function need to be determined depending on the longterm goal that needs to be achieved. At every time step: (1) the memory scheduler observes the state of the environment; (2) among the actions available for all the pending requests,1 the memory scheduler chooses the one action that will maximize the cumulative reward; and (3) the memory controller performs that action, which results in a state change.

ผลลัพธ์ (ไทย) 1:

รุ่น RL ขั้นพื้นฐานประกอบด้วย: (1) ชุดของสหรัฐฯว่า suffi ย ciently อธิบายถึงสภาพแวดล้อมและปัญหาที่ถูกแก้ไขได้; (2) ชุดของการกระทำที่ตัวแทน RL สามารถดำเนินการและ (3) ฟังก์ชั่นของรางวัลที่กำหนด เครดิตสำหรับการดำเนินการการดำเนินการในรัฐและย้ายไปอยู่ที่รัฐอื่น ในบริบทของการตั้งเวลา DRAM, RL เป็นตัวแทนหน่วยความจำกำหนดการ,การร้องขอที่ค้างอยู่และสถานะของระบบย่อยซีพียูและหน่วยความจำประกอบด้วยสภาพแวดล้อมและคำสั่ง DRAM ทางกฎหมายที่จุดในแต่ละครั้งที่มีการดำเนินการที่ตัวแทน RL สามารถดำเนินการ [17] ชุดของรัฐและฟังก์ชั่นได้รับรางวัลจะต้องมีการกำหนดขึ้นอยู่กับเป้าหมายระยะยาวที่ต้องการที่จะประสบความสำเร็จ เวลาทุกข​​ั้นตอน:(1) หน่วยความจำกำหนดการสังเกตสิ่งแวดล้อมรัฐ (2) ระหว่างการดำเนินการที่มีอยู่สำหรับการร้องขอทั้งหมดที่ค้างอยู่ 1 หน่วยความจำกำหนดการเลือกหนึ่งในการกระทำที่จะเพิ่มเงินรางวัลสะสมและ (3) ควบคุมหน่วยความจำที่มีประสิทธิภาพ การกระทำซึ่งผลในการเปลี่ยนสถานะ

ผลลัพธ์ (ไทย) 2:

รุ่น RL พื้นฐานประกอบด้วย: (1) ชุดของอเมริกา ciently ที่ suffi อธิบายสิ่งแวดล้อมและปัญหาการแก้ไข (2) ชุดของการดำเนินการที่สามารถดำเนินการแทน RL และ (3) รางวัลฟังก์ชันที่กำหนดให้สินเชื่อ การดำเนินการดำเนินการในสถานะย้ายไปรัฐอื่น ในบริบทของการจัดกำหนดการ DRAM ตัวแทน RL เป็นตัวจัดกำหนดการของหน่วยความจำ การร้องขอที่ค้างอยู่และสถานะของ CPU และหน่วยความจำระบบย่อยประกอบสิ่งแวดล้อม และคำสั่ง DRAM กฎหมายในแต่ละจุดเวลาคือ การดำเนินการที่ตัวแทน RL สามารถ [17] ชุดของอเมริกาและรางวัลฟังก์ชันต้องกำหนดตามเป้าหมายตนต้องทำได้ ในทุกขั้นตอนเวลา: (1)กำหนดการจำคำนึงถึงสถานะของสภาพแวดล้อม (2) ระหว่างการดำเนินการหาคำทั้งหมดอยู่ระหว่างการพิจารณาขอ 1 ตัวจัดกำหนดการจำเลือกการดำเนินการหนึ่งที่จะเพิ่มผลตอบแทนสะสม และ (3) ตัวควบคุมหน่วยความจำทำการกระทำนั้น ซึ่งเป็นผลในการเปลี่ยนแปลงสถานะ

ผลลัพธ์ (ไทย) 3:

รุ่น RL พื้นฐานที่ประกอบด้วย( 1 )ตั้งค่าที่ของรัฐที่ suffi  ciently อธิบายถึงสิ่งแวดล้อมและปัญหาที่แก้ไขได้( 2 )ตั้งค่าของการดำเนินการที่ Agent RL ที่สามารถดำเนินการและ( 3 )ฟังก์ชันรางวัลที่จะมอบหมายให้เครดิตสำหรับการดำเนินการการดำเนินการที่อยู่ในสถานะและการย้ายไปยังรัฐอื่น ในบริบทของการกำหนดตารางเวลาการ DRAM RL Agent ที่มีหน่วยความจำที่ตัวจัดตารางเวลาคำขอที่รอดำเนินการได้และสถานะของระบบย่อยของหน่วยความจำและซีพียูที่เป็นระบบที่ทางกฎหมายและคำสั่ง DRAM ที่แต่ละจุดในเวลามีการดำเนินการที่ Agent RL ที่สามารถดำเนินการ[ 17 ] ตั้งค่าของรัฐและการทำงานรางวัลที่จำเป็นต้องพิจารณาขึ้นอยู่กับเป้าหมาย longterm ที่ต้องทำได้ ทุกครั้งที่ขั้นตอนที่( 1 )ตัวจัดตารางเวลาหน่วยความจำได้รับสถานะของระบบ( 2 )ที่อยู่ท่ามกลางการดำเนินการที่มีอยู่ให้อยู่ระหว่างรอดำเนินการ requests, 1 หน่วยความจำทั้งหมดตัวจัดตารางเวลาที่เลือกหนึ่งการดำเนินการที่จะเพิ่มเงินรางวัลสะสมและ( 3 )คอนโทรลเลอร์หน่วยความจำจะทำการดำเนินการที่ซึ่งผลในการเปลี่ยนสถานะ