| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第14-22页 |
| 1.1 研究背景 | 第14-17页 |
| 1.1.1 高性能计算的发展现状 | 第14-15页 |
| 1.1.2 高性能计算集群平台的特点 | 第15-17页 |
| 1.2 研究问题的提出 | 第17-18页 |
| 1.3 本文研究内容 | 第18-19页 |
| 1.4 本文组织结构 | 第19页 |
| 1.5 本章小结 | 第19-22页 |
| 第2章 相关研究与技术 | 第22-30页 |
| 2.1 回填策略简介 | 第22-25页 |
| 2.1.1 Easy Backfilling | 第22-23页 |
| 2.1.2 Conservative Backfilling | 第23-25页 |
| 2.2 作业运行时长预测相关研究 | 第25-28页 |
| 2.3 本章小结 | 第28-30页 |
| 第3章 数据预处理 | 第30-42页 |
| 3.1 高性能计算作业时长预测问题建模 | 第30-34页 |
| 3.1.1 对象 | 第30-32页 |
| 3.1.2 关系图 | 第32-34页 |
| 3.2 数据特点分析 | 第34-37页 |
| 3.3 数据特征抽取 | 第37-40页 |
| 3.3.1 数据解析 | 第37-39页 |
| 3.3.2 数据规范化 | 第39-40页 |
| 3.4 本章小结 | 第40-42页 |
| 第4章 针对vasp作业时长的两种预测方法 | 第42-64页 |
| 4.1 vasp预测的评价标准 | 第42-43页 |
| 4.2 基于stack模型的作业时长预测算法 | 第43-56页 |
| 4.2.1 子模型简介 | 第44-49页 |
| 4.2.2 IRPA预测算法 | 第49-51页 |
| 4.2.3 实验结果及分析 | 第51-56页 |
| 4.3 基于径向基神经网络的混合预测算法 | 第56-62页 |
| 4.3.1 径向基网络简介 | 第56-57页 |
| 4.3.2 BRBF预测算法 | 第57-61页 |
| 4.3.3 实验结果及分析 | 第61-62页 |
| 4.4 本章小结 | 第62-64页 |
| 第5章 基于vasp执行时长预测的回填调度 | 第64-70页 |
| 5.1 回填算法设计 | 第64-65页 |
| 5.2 仿真实验结果与分析 | 第65-68页 |
| 5.3 本章小结 | 第68-70页 |
| 第6章 总结与展望 | 第70-72页 |
| 6.1 本文工作总结 | 第70页 |
| 6.2 展望 | 第70-72页 |
| 参考文献 | 第72-76页 |
| 致谢 | 第76-78页 |
| 在读期间发表的学术论文与取得的研究成果 | 第78页 |