| 摘要 | 第8-10页 |
| ABSTRACT | 第10-11页 |
| 第1章 绪论 | 第12-17页 |
| 1.1 课题背景 | 第12-13页 |
| 1.2 研究内容和意义 | 第13页 |
| 1.3 国内外研究现状 | 第13-15页 |
| 1.3.1 面向云服务提供商的资源调度策略 | 第14页 |
| 1.3.2 面向基础设施提供商的虚拟机资源调度策略 | 第14-15页 |
| 1.4 论文整体组织结构 | 第15-17页 |
| 第2章 相关理论介绍 | 第17-24页 |
| 2.1 云计算市场行为介绍 | 第17-18页 |
| 2.2 启发式算法 | 第18-21页 |
| 2.2.1 带惯性权重的基本粒子群算法 | 第18-19页 |
| 2.2.2 基本粒子群算法的局限性 | 第19-20页 |
| 2.2.3 蚁群算法 | 第20-21页 |
| 2.3 CloudSim仿真软件简介 | 第21-23页 |
| 2.3.1 概述 | 第21页 |
| 2.3.2 CloudSim体系架构 | 第21-23页 |
| 2.4 本章小结 | 第23-24页 |
| 第3章 面向云服务提供商的任务调度策略 | 第24-39页 |
| 3.1 SP虚拟机购买策略 | 第24-25页 |
| 3.2 改进粒子群算法 | 第25-28页 |
| 3.2.1 动态双种群粒子群算法的种群多样性 | 第26-27页 |
| 3.2.2 动态双种群粒子群算法的动态调整 | 第27-28页 |
| 3.2.3 动态双种群粒子群算法的虚拟机提供算法步骤 | 第28页 |
| 3.3 云服务提供商云服务提供机制 | 第28-35页 |
| 3.3.1 云任务调度模型 | 第28-30页 |
| 3.3.2 基于遗传算法和蚁群算法的任务调度策略 | 第30页 |
| 3.3.3 染色体编码与解码 | 第30-31页 |
| 3.3.4 遗传算法的适应度函数 | 第31-32页 |
| 3.3.5 结合了遗传算法的蚁群资源调度算法 | 第32-34页 |
| 3.3.6 基于遗传算法和蚁群算法的任务调度算法步骤 | 第34-35页 |
| 3.4 实验以及结果分析 | 第35-38页 |
| 3.5 本章小结 | 第38-39页 |
| 第4章 面向基础设施服务提供商的资源调度策略 | 第39-50页 |
| 4.1 双阈值触发策略 | 第39-40页 |
| 4.2 灰色预测模型 | 第40-47页 |
| 4.2.1 灰色序列生成算子 | 第40-43页 |
| 4.2.2 灰色预测模型GM(1,1) | 第43-46页 |
| 4.2.3 迁出虚拟机的定位策略 | 第46-47页 |
| 4.3 实验分析 | 第47-49页 |
| 4.4 本章小结 | 第49-50页 |
| 第5章 总结与展望 | 第50-52页 |
| 5.1 论文工作总结 | 第50-51页 |
| 5.2 未来工作方向 | 第51-52页 |
| 参考文献 | 第52-57页 |
| 致谢 | 第57-58页 |
| 攻读学位期间发表的学术论文目录 | 第58-59页 |
| 附件 | 第59页 |
