| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-12页 |
| 1.1 研究背景及意义 | 第9页 |
| 1.2 研究现状 | 第9-10页 |
| 1.3 本文主要的研究工作 | 第10-11页 |
| 1.4 本文结构 | 第11-12页 |
| 第2章 相关理论 | 第12-26页 |
| 2.1 云计算资源调整 | 第12-16页 |
| 2.1.1 云环境下的资源调度的相关概念 | 第13-14页 |
| 2.1.2 云环境下的资源调整的特点 | 第14-15页 |
| 2.1.3 云环境下的资源调度策略的评判指标 | 第15-16页 |
| 2.2 传统调整算法的相关研究 | 第16-20页 |
| 2.2.1 最小-最小算法和最大-最小算法 | 第16-18页 |
| 2.2.2 投机负载均衡算法 | 第18页 |
| 2.2.3 SUFFERAGE算法 | 第18-19页 |
| 2.2.4 轮循调整算法 | 第19页 |
| 2.2.5 传统调整算法的比较 | 第19-20页 |
| 2.3 启发式调整算法的研究 | 第20-24页 |
| 2.3.1 遗传算法 | 第20-21页 |
| 2.3.2 粒子群算法 | 第21-23页 |
| 2.3.3 模拟退火算法 | 第23页 |
| 2.3.4 蚁群算法 | 第23页 |
| 2.3.5 关于启发式调整算法的比较 | 第23-24页 |
| 2.4 资源调整算法的局限和优化的途径 | 第24页 |
| 2.5 典型的资源调整模型MAP/REDUCE介绍 | 第24-25页 |
| 2.6 本章小结 | 第25-26页 |
| 第3章 劣化因子蚁群算法的资源调整方案 | 第26-38页 |
| 3.1 基于蚁群算法的TSP数学模型 | 第26-32页 |
| 3.1.1 蚁群算法的原理 | 第26-27页 |
| 3.1.2 蚁群算法的特点 | 第27-28页 |
| 3.1.3 TSP数学模型 | 第28-32页 |
| 3.2 根据蚁群算法的优化资源调整方案 | 第32-37页 |
| 3.2.1 设计的劣化因子预处理机制 | 第32-34页 |
| 3.2.2 资源调整方案的基本步骤 | 第34-37页 |
| 3.3 本章小结 | 第37-38页 |
| 第4章 实验仿真与数据分析 | 第38-52页 |
| 4.1 实验环境 | 第38页 |
| 4.2 仿真实验的说明 | 第38-39页 |
| 4.3 劣化因子的仿真实验 | 第39-44页 |
| 4.4 改进算法与标准算法的仿真实验 | 第44-51页 |
| 4.4.1 实验第一阶段 | 第44-47页 |
| 4.4.2 实验第二阶段 | 第47-51页 |
| 4.5 本章小结 | 第51-52页 |
| 第5章 总结与展望 | 第52-53页 |
| 5.1 总结 | 第52页 |
| 5.2 展望 | 第52-53页 |
| 参考文献 | 第53-56页 |
| 致谢 | 第56页 |