云环境下基于多目标粒子群的工作流调度算法研究
| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 1 引言 | 第12-17页 |
| 1.1 研究背景及意义 | 第12-14页 |
| 1.1.1 云计算 | 第12页 |
| 1.1.2 云工作流 | 第12-14页 |
| 1.2 国内外研究现状 | 第14-15页 |
| 1.3 主要研究内容和创新点 | 第15-16页 |
| 1.4 论文的结构安排 | 第16-17页 |
| 2 云工作流调度算法概述 | 第17-26页 |
| 2.1 云工作流 | 第17-20页 |
| 2.1.1 工作流简介 | 第17-18页 |
| 2.1.2 云工作流体系结构 | 第18-19页 |
| 2.1.3 云工作流QoS | 第19-20页 |
| 2.2 云工作流调度算法 | 第20-24页 |
| 2.2.1 异构最早完成时间算法 | 第20-21页 |
| 2.2.2 粒子群优化算法 | 第21页 |
| 2.2.3 QoS约束调度策略 | 第21-22页 |
| 2.2.4 改进遗传算法 | 第22页 |
| 2.2.5 蚁群优化算法 | 第22-23页 |
| 2.2.6 资源感知调度算法 | 第23页 |
| 2.2.7 基于成本的调度策略 | 第23-24页 |
| 2.2.8 以市场为导向的分层调度策略 | 第24页 |
| 2.3 算法分析比较 | 第24-25页 |
| 2.4 本章小节 | 第25-26页 |
| 3 多目标粒子群优化算法 | 第26-46页 |
| 3.1 问题的提出 | 第26页 |
| 3.2 相关模型和算法 | 第26-32页 |
| 3.2.1 云工作流模型 | 第26-28页 |
| 3.2.2 云工作流QoS模型 | 第28-29页 |
| 3.2.3 调度模型 | 第29-30页 |
| 3.2.4 多目标优化 | 第30-31页 |
| 3.2.5 粒子群优化 | 第31-32页 |
| 3.3 MOPSO算法设计 | 第32-37页 |
| 3.3.1 MOPSO算法的变量和规则 | 第32-34页 |
| 3.3.2 MOPSO目标函数和适应值函数 | 第34-35页 |
| 3.3.3 MOPSO算法流程 | 第35-37页 |
| 3.4 算法仿真及结果分析 | 第37-45页 |
| 3.4.1 仿真工具简介 | 第37-38页 |
| 3.4.2 实验数据和参数设置 | 第38-40页 |
| 3.4.3 实验结果及分析 | 第40-44页 |
| 3.4.4 补充说明 | 第44-45页 |
| 3.5 本章小节 | 第45-46页 |
| 4 基于爬山算法和多目标粒子群算法的混合算法 | 第46-60页 |
| 4.1 问题的提出 | 第46-47页 |
| 4.2 HCMOPSO算法设计 | 第47-50页 |
| 4.2.1 引入爬山算法 | 第47-48页 |
| 4.2.2 约束条件的计算 | 第48-49页 |
| 4.2.3 欧几里得距离 | 第49-50页 |
| 4.3 HCMOPSO算法流程 | 第50-55页 |
| 4.3.1 HCMOPSO算法 | 第50-51页 |
| 4.3.2 最优解选择 | 第51-54页 |
| 4.3.3 爬山算法 | 第54-55页 |
| 4.4 算法仿真及结果分析 | 第55-59页 |
| 4.4.1 实验数据和参数设置 | 第55-56页 |
| 4.4.2 实验结果及分析 | 第56-59页 |
| 4.5 本章小节 | 第59-60页 |
| 5 总结与展望 | 第60-62页 |
| 5.1 本文总结 | 第60页 |
| 5.2 未来展望 | 第60-62页 |
| 参考文献 | 第62-67页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第67-69页 |
| 学位论文数据集 | 第69页 |
