| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第8-16页 |
| 1.1 研究背景 | 第8-9页 |
| 1.2 研究意义 | 第9-10页 |
| 1.3 国内外研究现状 | 第10-13页 |
| 1.3.1 面向节能的数据中心资源管理和任务调度方法 | 第10-11页 |
| 1.3.2 绿色数据中心的可再生能源利用方法 | 第11-12页 |
| 1.3.3 基于数据中心负载分配的能耗感知分布式方法 | 第12-13页 |
| 1.4 本文主要工作 | 第13-14页 |
| 1.5 本文的组织结构 | 第14-16页 |
| 第2章 云计算及资源调度问题概述 | 第16-20页 |
| 2.1 云计算的概念 | 第16页 |
| 2.2 数据中心的概念及面临的问题 | 第16-17页 |
| 2.3 资源调度相关理论 | 第17-18页 |
| 2.4 常见的资源调度算法分析 | 第18-20页 |
| 2.4.1 传统调度算法 | 第18页 |
| 2.4.2 启发式调度算法 | 第18-19页 |
| 2.4.3 改进的算法 | 第19-20页 |
| 第3章 太阳能发电量的预测 | 第20-25页 |
| 3.1 预测数据来源 | 第20页 |
| 3.2 太阳辐射强度的预测过程 | 第20-22页 |
| 3.2.1 多元线性回归模型的预测过程 | 第21页 |
| 3.2.2 BP神经网路模型的预测过程 | 第21-22页 |
| 3.3 两种模型预测结果及误差比较 | 第22-24页 |
| 3.4 太阳能产生量计算 | 第24-25页 |
| 第4章 云数据中心的能耗分析及模型 | 第25-35页 |
| 4.1 实验平台 | 第25-26页 |
| 4.2 测试应用程序介绍 | 第26-28页 |
| 4.2.1 CPU密集型应用 | 第26-27页 |
| 4.2.2 内存密集型应用 | 第27页 |
| 4.2.3 数据的采集及分析 | 第27-28页 |
| 4.3 数据中心资源使用量的能耗建模 | 第28-35页 |
| 4.3.1 数据密集型应用—不同CPU利用率下资源使用量变化 | 第29-30页 |
| 4.3.2 数据密集型应用—三种模型 | 第30-31页 |
| 4.3.3 内存型应用—不同测试内存下的实际功率变化 | 第31-32页 |
| 4.3.4 内存型应用—不同CPU利用率下的资源使用量变化 | 第32页 |
| 4.3.5 内存型应用—三种模型 | 第32-35页 |
| 第5章 面向可再生能源利用的可近似应用调度算法 | 第35-45页 |
| 5.1 研究的主要内容 | 第35-36页 |
| 5.1.1 可近似类型应用 | 第35页 |
| 5.1.2 遗传算法（GA） | 第35-36页 |
| 5.1.3 PageRank算法（PR） | 第36页 |
| 5.1.4 性能分析工具 | 第36页 |
| 5.2 可近似类型应用模型预处理 | 第36-40页 |
| 5.2.1 能耗测算 | 第36-37页 |
| 5.2.2 遗传算法及PageRank算法的运行时间测算 | 第37-38页 |
| 5.2.3 遗传算法及PageRank算法的能耗 | 第38-39页 |
| 5.2.4 并行能耗测算 | 第39-40页 |
| 5.3 自适应调度算法的设计与实现 | 第40-42页 |
| 5.3.1 调度算法整体流程 | 第40页 |
| 5.3.2 并行程序确定 | 第40-41页 |
| 5.3.3 并行精度确定 | 第41-42页 |
| 5.4 自适应调度算法的对比与分析 | 第42-45页 |
| 第6章 面向太阳能利用的遗传算法资源调度算法研究 | 第45-60页 |
| 6.1 面向太阳能利用的资源调度问题定义 | 第45-47页 |
| 6.2 基于遗传算法的资源调度策略 | 第47-50页 |
| 6.2.1 染色体编码及种群初始化 | 第47-48页 |
| 6.2.2 适应度函数 | 第48-49页 |
| 6.2.3 选择操作 | 第49页 |
| 6.2.4 交叉操作 | 第49-50页 |
| 6.2.5 变异操作 | 第50页 |
| 6.3 CloudSim简介 | 第50-52页 |
| 6.4 环境配置及安装过程 | 第52页 |
| 6.5 算法介绍及实验结果分析 | 第52-60页 |
| 6.5.1 算法介绍 | 第52-54页 |
| 6.5.2 实验结果分析 | 第54-60页 |
| 第7章 总结 | 第60-61页 |
| 参考文献 | 第61-65页 |
| 致谢 | 第65-66页 |
| 作者简历` | 第66页 |
