基于社会学习算法的函数优化与云任务调度方法研究
| 致谢 | 第4-5页 |
| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 1 绪论 | 第10-22页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.1.1 研究背景 | 第10-11页 |
| 1.1.2 研究意义 | 第11页 |
| 1.2 国内外研究现状 | 第11-18页 |
| 1.2.1 群体智能算法的研究现状 | 第11-14页 |
| 1.2.2 函数优化问题的研究现状 | 第14-17页 |
| 1.2.3 云任务调度问题的研究现状 | 第17-18页 |
| 1.3 研究工作 | 第18-19页 |
| 1.3.1 主要研究内容 | 第18-19页 |
| 1.3.2 技术路线图 | 第19页 |
| 1.4 本文组织结构 | 第19-22页 |
| 2 理论基础与相关方法介绍 | 第22-34页 |
| 2.1 群体智能算法介绍 | 第22-28页 |
| 2.1.1 遗传算法 | 第23-24页 |
| 2.1.2 蚁群算法 | 第24-26页 |
| 2.1.3 粒子群算法 | 第26页 |
| 2.1.4 人工蜂群算法 | 第26-27页 |
| 2.1.5 文化算法 | 第27-28页 |
| 2.2 社会认知理论 | 第28-29页 |
| 2.3 社会学习算法范型 | 第29-32页 |
| 2.3.1 SLO范型框架 | 第29-31页 |
| 2.3.2 SLO范型空间内的优化操作 | 第31-32页 |
| 2.4 本章小结 | 第32-34页 |
| 3 面向函数优化的社会学习算法研究 | 第34-46页 |
| 3.1 引言 | 第34页 |
| 3.2 函数优化问题的描述 | 第34-35页 |
| 3.3 面向函数优化的SLO算法 | 第35-39页 |
| 3.3.1 SLO空间内的优化算子设计 | 第35-37页 |
| 3.3.2 算法描述 | 第37-39页 |
| 3.4 实验验证 | 第39-44页 |
| 3.4.1 实验环境 | 第39-40页 |
| 3.4.2 算法性能比较与分析 | 第40-42页 |
| 3.4.3 F-SLO操作算子分析 | 第42-44页 |
| 3.5 本章小结 | 第44-46页 |
| 4 基于社会学习算法的云任务调度方法研究 | 第46-62页 |
| 4.1 引言 | 第46-47页 |
| 4.2 云任务调度问题描述 | 第47-49页 |
| 4.2.1 云任务调度问题的数学模型 | 第47-48页 |
| 4.2.2 云任务调度目标及约束条件 | 第48-49页 |
| 4.3 基于SLO的云任务调度方法 | 第49-54页 |
| 4.3.1 基于SLO的云任务调度算法设计 | 第49-52页 |
| 4.3.2 基于SLO的云任务调度方法描述 | 第52-54页 |
| 4.4 仿真实验 | 第54-60页 |
| 4.4.1 仿真平台 | 第54-56页 |
| 4.4.2 实验环境参数设置 | 第56页 |
| 4.4.3 算法参数设置 | 第56页 |
| 4.4.4 实验结果与分析 | 第56-60页 |
| 4.5 本章小结 | 第60-62页 |
| 5 总结与展望 | 第62-64页 |
| 5.1 本研究的创新之处 | 第62页 |
| 5.2 本研究的不足 | 第62-64页 |
| 参考文献 | 第64-71页 |
| 作者简历 | 第71-72页 |
| 学位论文数据集 | 第72页 |
