| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第11-18页 |
| 1.1 研究背景及意义 | 第11-13页 |
| 1.2 研究现状 | 第13-15页 |
| 1.3 论文贡献与创新点 | 第15-16页 |
| 1.4 论文组织结构 | 第16-18页 |
| 第二章 相关技术背景 | 第18-32页 |
| 2.1 深度学习相关技术 | 第18-24页 |
| 2.1.1 深度学习 | 第18-21页 |
| 2.1.2 MXNet | 第21-23页 |
| 2.1.3 GPU | 第23-24页 |
| 2.2 云计算相关技术 | 第24-28页 |
| 2.2.1 云计算介绍 | 第24-26页 |
| 2.2.2 Map-Reduce模型 | 第26-27页 |
| 2.2.3 云深度学习 | 第27-28页 |
| 2.3 云计算环境下任务调度 | 第28-30页 |
| 2.4 启发式算法 | 第30-31页 |
| 2.5 本章小结 | 第31-32页 |
| 第三章 传统蚁群算法的优化 | 第32-48页 |
| 3.1 蚁群算法 | 第32-34页 |
| 3.1.1 蚁群算法设计思想 | 第32-33页 |
| 3.1.2 蚁群算法的优缺点分析 | 第33-34页 |
| 3.2 蚁群算法数学模型的实现 | 第34-38页 |
| 3.3 蚁群算法优化 | 第38-45页 |
| 3.3.1 蚁群算法与遗传算法融合研究 | 第38-41页 |
| 3.3.2 信息素浓度限制 | 第41页 |
| 3.3.3 信息素变异操作 | 第41页 |
| 3.3.4 局部信息素更新改进 | 第41-42页 |
| 3.3.5 全局信息素更新改进 | 第42-43页 |
| 3.3.6 蚁群算法参数选择研究 | 第43-45页 |
| 3.4 实验评估 | 第45-47页 |
| 3.4.1 实验设置 | 第45-46页 |
| 3.4.2 实验结果与分析 | 第46-47页 |
| 3.5 本章小结 | 第47-48页 |
| 第四章 基于GAACOA算法的云环境下深度学习任务调度策略 | 第48-61页 |
| 4.1 常用任务调度算法性能分析 | 第48-51页 |
| 4.1.1 常用独立任务调度算法性能分析 | 第48-50页 |
| 4.1.2 常用关联任务调度算法性能分析 | 第50-51页 |
| 4.2 GAACOA算法在云计算环境下深度学习任务调度中可行性分析 | 第51页 |
| 4.3 基于GAACOA算法的云环境下深度学习任务调度策略设计 | 第51-55页 |
| 4.3.1 蚁群算法模型应用到深度学习任务调度中的转换 | 第51-52页 |
| 4.3.2 数学模型参数化 | 第52-54页 |
| 4.3.3 虚拟机资源上的启发式信息 | 第54页 |
| 4.3.4 遗传编码 | 第54页 |
| 4.3.5 适应度函数 | 第54-55页 |
| 4.3.6 目标函数 | 第55页 |
| 4.4 GAACOA算法设计思路和具体流程 | 第55-60页 |
| 4.4.1 GAACOA算法具体步骤 | 第56-58页 |
| 4.4.2 GAACOA算法的流程图 | 第58页 |
| 4.4.3 GAACOA算法伪代码 | 第58-60页 |
| 4.5 本章小结 | 第60-61页 |
| 第五章 实验与分析 | 第61-73页 |
| 5.1 虚拟机与深度学习任务基本参数设置 | 第61-63页 |
| 5.1.1 虚拟机租赁费用 | 第61页 |
| 5.1.2 深度学习任务执行时间 | 第61-63页 |
| 5.2 GAACOA算法相关参数设置 | 第63页 |
| 5.3 实验与分析 | 第63-72页 |
| 5.3.1 实验环境 | 第63-64页 |
| 5.3.2 CloudSim介绍 | 第64-66页 |
| 5.3.3 实验结果与分析 | 第66-72页 |
| 5.4 本章小结 | 第72-73页 |
| 第六章 总结与展望 | 第73-75页 |
| 6.1 工作总结 | 第73页 |
| 6.2 工作展望 | 第73-75页 |
| 致谢 | 第75-76页 |
| 参考文献 | 第76-79页 |
