The object of this study is the task scheduling process in heterogeneous distributed information systems. The scientific task addressed relates to the low efficiency of resource management, especially under conditions of dynamic workload and significant uncertainty, which are typical for distributed information systems. An intelligent task scheduling method has been devised for heterogeneous distributed information systems, which effectively combines DAG (Directed Acyclic Graph) and GERT (Graphical Evaluation and Review Technique) models with advanced artificial intelligence algorithms. The proposed method employs a Graph Attention Network (GAT) to account for probabilistic dependences between tasks and Proximal Policy Optimization (PPO) for dynamic control of task distribution within the system. Furthermore, a Bayesian method is used to optimize the assignment of tasks to computing nodes. The use of the proposed method reduced the average task execution time from 51.5 to 35.2 seconds, and the standard deviation of the load between nodes from 0.47 to 0.22. These results are explained by the flexibility of the models to unforeseen changes and the ability to self-learn based on accumulated data. A feature of the method is the combination of classical graph models with probabilistic estimation and adaptive AI mechanisms, which made it possible not only to take into account the dynamics of the environment but also to ensure accurate response to changes in resource availability. By using GERT graphs, the algorithm forms alternative planning paths in case of failures or unforeseen delays, and machine learning components provide self-correction of decisions. The method is oriented towards application in cloud and IoT infrastructures, in which scalability, planning accuracy, and resilience to changes are critical

Об’єктом дослідження є процес планування задач у гетерогенних розподілених інформаційних системах. Розроблений метод використовує Graph Attention Network (GAT) для врахування ймовірнісні залежності між задачами та Proximal Policy Optimization (PPO) для динамічного керування розподілом задач у системі. Наукова проблема полягає у низькій ефективності управління ресурсами, особливо в умовах динамічного навантаження та значної невизначеності, що характерно для розподілених інформаційних систем. Розроблено інтелектуальний метод планування задач у гетерогенних розподілених інформаційних системах, який ефективно поєднує графові моделі DAG (Directed Acyclic Graph) і GERT (Graphical Evaluation and Review Technique) з передовими алгоритмами штучного інтелекту. Крім того, використовується метод Байєса для оптимізації призначення задач обчислювальним вузлам. Використання запропонованого методу дозволило зменшити середній час виконання задач з 51.5 до 35.2 секунди, а стандартне відхилення навантаження між вузлами – з 0.47 до 0.22. Такі результати пояснюються гнучкістю моделей до непередбачуваних змін і можливістю самонавчання на основі накопичених даних. Особливістю методу є поєднання класичних графових моделей із ймовірнісною оцінкою та адаптивними механізмами штучного інтелекту, що дозволило не лише врахувати динаміку середовища, а й забезпечити точне реагування на зміну доступності ресурсів. Завдяки використанню GERT-графів алгоритм формує альтернативні шляхи планування у випадку збоїв або непередбачених затримок, а компоненти машинного навчання забезпечують самокорекцію рішень. Метод орієнтований на застосування в хмарних та IoT-інфраструктурах, де критичними є масштабованість, точність планування та стійкість до змін