基于遗传蚁群融合算法的云计算任务调度研究
| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 研究背景和意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.3 本文主要工作及创新 | 第14-16页 |
| 1.4 本文的组织结构 | 第16-17页 |
| 第二章 云计算与任务调度 | 第17-23页 |
| 2.1 云计算定义 | 第17-18页 |
| 2.2 云计算平台体系结构 | 第18-19页 |
| 2.3 云计算中任务调度 | 第19-22页 |
| 2.3.1 任务调度概念 | 第19-20页 |
| 2.3.2 任务调度目标 | 第20-21页 |
| 2.3.3 任务调度模型 | 第21-22页 |
| 2.3.4 任务调度特点 | 第22页 |
| 2.4 本章小结 | 第22-23页 |
| 第三章 遗传算法与蚁群算法的融合 | 第23-33页 |
| 3.1 遗传算法 | 第23-26页 |
| 3.1.1 遗传算法简介 | 第23-24页 |
| 3.1.2 遗传算法基本原理 | 第24页 |
| 3.1.3 遗传算法实现过程 | 第24-26页 |
| 3.2 蚁群算法 | 第26-30页 |
| 3.2.1 蚁群算法简述 | 第26页 |
| 3.2.2 基本蚁群算法原理 | 第26-27页 |
| 3.2.3 蚁群算法的实现 | 第27-30页 |
| 3.3 算法的动态融合 | 第30-32页 |
| 3.3.1 融合的理论基础 | 第30-31页 |
| 3.3.2 动态融合策略 | 第31-32页 |
| 3.4 本章小结 | 第32-33页 |
| 第四章 基于遗传蚁群动态融合算法的任务调度设计 | 第33-43页 |
| 4.1 基于时间-能耗的任务调度模型 | 第33-34页 |
| 4.1.1 问题描述 | 第33页 |
| 4.1.2 目标函数 | 第33-34页 |
| 4.2 遗传算法的云任务调度求解过程 | 第34-39页 |
| 4.2.1 染色体编码与初始化 | 第35-36页 |
| 4.2.2 适应度函数 | 第36-37页 |
| 4.2.3 遗传操作 | 第37-39页 |
| 4.3 蚁群算法求解过程 | 第39-40页 |
| 4.4 D-GAACA算法描述 | 第40-42页 |
| 4.5 本章小结 | 第42-43页 |
| 第五章 实验仿真及结果分析 | 第43-53页 |
| 5.1 Cloudsim模拟平台介绍 | 第43-46页 |
| 5.1.1 Cloudsim体系架构 | 第43-45页 |
| 5.1.2 CloudSim核心类图 | 第45-46页 |
| 5.2 基于D-GAACA算法的仿真实验 | 第46-52页 |
| 5.2.1 实验参数设置 | 第46-49页 |
| 5.2.2 实验对比及结果分析 | 第49-52页 |
| 5.3 本章小结 | 第52-53页 |
| 第六章 文章总结和展望 | 第53-55页 |
| 6.1 总结 | 第53页 |
| 6.2 展望 | 第53-55页 |
| 参考文献 | 第55-59页 |
| 致谢 | 第59页 |
