Table 5 Comparison of DI across datasets.

From: Dynamic multi objective task scheduling in cloud computing using reinforcement learning for energy and cost optimization

Dataset

Tasks

Max–Min

FCFS

Q-learning

MOPWSDRL32

Multi-PSG36

CTMOEA40

RL-MOTS_LJF

RL-MOTS (Proposed)

Google-2019

200

1.10

0.82

0.42

0.36

0.28

0.25

0.18

0.14

400

0.95

0.68

0.31

0.30

0.22

0.20

0.16

0.12

600

1.05

0.72

0.35

0.33

0.24

0.22

0.15

0.11

800

1.12

0.79

0.37

0.34

0.23

0.21

0.14

0.10

1000

1.20

0.83

0.40

0.32

0.22

0.20

0.13

0.09

Alibaba-2018

200

1.20

0.90

0.50

0.44

0.34

0.30

0.20

0.16

400

1.10

0.86

0.47

0.41

0.32

0.28

0.19

0.15

600

1.18

0.92

0.51

0.46

0.35

0.31

0.21

0.16

800

1.25

0.98

0.55

0.49

0.37

0.33

0.22

0.17

1000

1.28

1.01

0.58

0.50

0.38

0.34

0.23

0.18

Azure-2019

200

1.05

0.78

0.36

0.31

0.24

0.22

0.17

0.13

400

0.98

0.74

0.33

0.29

0.22

0.20

0.16

0.12

600

1.02

0.76

0.34

0.30

0.23

0.21

0.15

0.11

800

1.10

0.81

0.36

0.31

0.24

0.22

0.15

0.11

1000

1.12

0.84

0.38

0.31

0.24

0.22

0.14

0.10