مصرف انرژی در مراکز و سیستم ­های داده­ای به شدت در حال افزایش است که بررسی این موضوع یک مساله اساسی در عصر کنون است. از جمله مزایای مهم سیستم‌های توزیعی صرفه‌جویی در هزینه‌ها است زیرا نیاز به نصب و راه‌اندازی اولیه منابع نداشته و مقیاس‌پذیری و انعطاف‌پذیر هستند، اما مبحث توازن بار و زمان­بندی مناسب در سیستم‌های توزیعی یک چالش می‌باشد. در این مقاله روشی برای زمان­بندی وظایف بر روی منابع در دسترس پویا ارایه شده­ و سیستم از یادگیری مداوم برای بهترین عملکرد استفاده می‌کند. در روش پیشنهادی از عملگر نقاد برای بهبود تصمیم ­گیری در یادگیری تقویتی استفاده شده تا استخراج قوانین توزیع و استفاده آن‌ها در یادگیری تقویتی سبب بهبود شود و اهداف بهبود مصرف انرژی را میسر ‌سازد. روش پیشنهادی از نظر معیارهای “زمان اتمام تمامی کارها” و “میزان مصرف انرژی” با روش‌ ارایه شده در کار مشابه مقایسه شد و در ارزیابی‌ها روش پیشنهادی به نسبت روش مورد مقایسه میزان مصرف انرژی مناسب‌تری داشته است. البته در محیط‌هایی که طول صف تشکیل شده و منابع و درخواست‌ها سریع تغییر می‌کند به دلیل افزایش تعداد حالات و یادگیری مستمر این مصرف انرژی کمی افزایش می‌یابد. در کل روش پیشنهادی مناسب محیط‌های پایدار، تغیرات کم و یا با فواصل زمانی متعادل‌تر است زیرا پروسه یادگیری مدت زمانی را به طول می‌انجامد.