云环境下基于改进的蚁群算法任务调度策略的研究
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第11-15页 |
| 1.1 研究背景 | 第11页 |
| 1.2 云任务调度研究现状 | 第11-12页 |
| 1.3 选题意义 | 第12-13页 |
| 1.4 论文的组织结构 | 第13-15页 |
| 1.4.1 论文的主要内容 | 第13-14页 |
| 1.4.2 论文的组织结构 | 第14-15页 |
| 第2章 相关技术 | 第15-25页 |
| 2.1 云计算相关技术 | 第15-20页 |
| 2.1.1 云计算理论 | 第15-19页 |
| 2.1.2 云任务调度和其他任务调度的比较 | 第19-20页 |
| 2.2 基本蚁群优化算法 | 第20页 |
| 2.3 生物免疫原理 | 第20-21页 |
| 2.4 容错技术 | 第21-23页 |
| 2.5 卡尔曼滤波技术 | 第23页 |
| 2.6 本章小结 | 第23-25页 |
| 第3章 基于云平台的改进的蚁群算法的研究 | 第25-41页 |
| 3.1 关于TSP问题的基本蚁群算法 | 第25-27页 |
| 3.2 基于ACO部分算法的设计 | 第27-33页 |
| 3.2.1 基于蚁群算法部分的模型设计 | 第28-29页 |
| 3.2.2 约束函数 | 第29-31页 |
| 3.2.3 寻找最合适的计算资源 | 第31-33页 |
| 3.3 基于生物免疫部分算法的设计 | 第33-36页 |
| 3.3.1 相关定义 | 第34页 |
| 3.3.2 两个记忆信息库的建立 | 第34-35页 |
| 3.3.3 任务相似度检测算法 | 第35-36页 |
| 3.3.4 资源优选记忆信息库更新规则 | 第36页 |
| 3.4 算法其他部分的设计 | 第36-37页 |
| 3.5 改进的蚁群算法的实现流程 | 第37-39页 |
| 3.6 本章小结 | 第39-41页 |
| 第4章 基于云平台的改进的容错算法的研究 | 第41-55页 |
| 4.1 容错的基本要求 | 第41页 |
| 4.2 基于云平台自适应容错模型的设计 | 第41-45页 |
| 4.2.1 错误检测服务 | 第42-44页 |
| 4.2.3 错误管理服务和错误处理决策服务 | 第44-45页 |
| 4.3 基于云平台的自适应容错算法的实现 | 第45-53页 |
| 4.3.1 错误检测模块 | 第45-47页 |
| 4.3.2 错误处理决策模块 | 第47-50页 |
| 4.3.3 自适应容错算法的流程 | 第50-53页 |
| 4.4 本章小结 | 第53-55页 |
| 第5章 算法仿真与结果分析 | 第55-67页 |
| 5.1 CloudSim简介 | 第55-56页 |
| 5.2 CloudSim的具体使用过程 | 第56-60页 |
| 5.2.1 CloudSim配置 | 第57页 |
| 5.2.2 仿真流程及程序编写步骤 | 第57-60页 |
| 5.2.3 重新编译CloudSim | 第60页 |
| 5.3 云环境下任务调度算法仿真实验 | 第60-66页 |
| 5.4 本章小结 | 第66-67页 |
| 结论与展望 | 第67-69页 |
| 参考文献 | 第69-73页 |
| 致谢 | 第73页 |
