| 摘要 | 第3-4页 |
| ABSTRACT | 第4-5页 |
| 第1章 绪论 | 第9-18页 |
| 1.1 课题来源 | 第9-11页 |
| 1.2 研究背景和意义 | 第11-12页 |
| 1.3 国内外研究现状 | 第12-16页 |
| 1.3.1 任务调度算法研究现状 | 第12-14页 |
| 1.3.2 蚁群算法研究现状 | 第14-16页 |
| 1.4 论文的主要工作 | 第16页 |
| 1.5 论文的组织结构 | 第16-18页 |
| 第2章 高性能计算集群下任务调度分析 | 第18-31页 |
| 2.1 高性能计算的应用及发展方向 | 第18-21页 |
| 2.1.1 高性能计算国内外发展现状 | 第18-20页 |
| 2.1.2 高性能计算未来的发展方向 | 第20-21页 |
| 2.2 HPC核心技术及相关理论基础 | 第21-25页 |
| 2.2.1 HPC架构介绍 | 第21页 |
| 2.2.2 集群作业调度 | 第21-23页 |
| 2.2.3 负载平衡技术 | 第23-25页 |
| 2.3 任务调度综述 | 第25-27页 |
| 2.3.1 任务调度架构 | 第25页 |
| 2.3.2 任务调度特点 | 第25-26页 |
| 2.3.3 任务调度目标 | 第26-27页 |
| 2.4 常见的任务调度算法分析 | 第27-28页 |
| 2.4.1 基于Min-Min和Min-Max算法的任务调度 | 第27页 |
| 2.4.2 基于Sufferage算法的任务调度 | 第27页 |
| 2.4.3 基于遗传算法的任务调度 | 第27-28页 |
| 2.5 任务调度模型 | 第28-30页 |
| 2.5.1 任务调度模型 | 第28-29页 |
| 2.5.2 负载均衡模型 | 第29-30页 |
| 2.6 本章小结 | 第30-31页 |
| 第3章 HPC任务调度策略的研究与设计 | 第31-54页 |
| 3.1 粒子群优化算法 | 第31-34页 |
| 3.1.1 粒子群优化算法原理 | 第31-33页 |
| 3.1.2 粒子群优化算法参数选择 | 第33页 |
| 3.1.3 粒子群优化算法的优缺点 | 第33-34页 |
| 3.2 蚁群优化算法 | 第34-45页 |
| 3.2.1 蚁群优化算法原理 | 第34-36页 |
| 3.2.2 蚁群算法数学模型 | 第36-40页 |
| 3.2.3 蚁群算法基本参数选择的研究 | 第40-43页 |
| 3.2.4 蚁群算法的优缺点 | 第43-45页 |
| 3.3 蚁群算法的改进 | 第45-48页 |
| 3.3.1 基于粒子群优化算法的蚁群优化算法改进 | 第45-46页 |
| 3.3.2 PSO_ACO算法仿真和性能分析 | 第46-48页 |
| 3.3.3 PSO_ACO算法在HPC任务调度中的可行性分析 | 第48页 |
| 3.4 PSO_ACO算法在HPC下任务调度应用 | 第48-53页 |
| 3.4.1 数学模型参数化 | 第48-49页 |
| 3.4.2 适用于PSO_ACO算法的HPC任务调度模型设计 | 第49-51页 |
| 3.4.3 PSO_ACO算法过程描述 | 第51-53页 |
| 3.5 本章小结 | 第53-54页 |
| 第4章 基于PSO_ACO算法的自适应调度优化 | 第54-60页 |
| 4.1 PSO_ACO自适应调度算法 | 第54-57页 |
| 4.1.1 改进思路 | 第54-55页 |
| 4.1.2 自适应调度算法信息素更新 | 第55-56页 |
| 4.1.3 自适应调度算法流程 | 第56-57页 |
| 4.2 自适应调度算法伪代码 | 第57-59页 |
| 4.3 本章小结 | 第59-60页 |
| 第5章 实验与分析 | 第60-65页 |
| 5.1 实验环境 | 第60-61页 |
| 5.2 试验过程 | 第61-64页 |
| 5.2.1 参数调整 | 第61-62页 |
| 5.2.2 性能评估 | 第62-64页 |
| 5.3 本章小结 | 第64-65页 |
| 第6章 结论与展望 | 第65-67页 |
| 6.1 结论 | 第65-66页 |
| 6.2 进一步工作的方向 | 第66-67页 |
| 致谢 | 第67-68页 |
| 参考文献 | 第68-74页 |
| 攻读学位期间的研究成果 | 第74页 |
