| 摘要 | 第5-7页 |
| ABSTRACT | 第7-9页 |
| 第一章 绪论 | 第12-16页 |
| 1.1 研究背景及意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-14页 |
| 1.3 本文主要研究内容 | 第14-15页 |
| 1.4 本文结构安排 | 第15-16页 |
| 第二章 云平台任务调度相关技术研究介绍 | 第16-26页 |
| 2.1 云计算相关技术介绍 | 第16-18页 |
| 2.1.1 云计算概述 | 第16页 |
| 2.1.2 云计算的服务 | 第16-17页 |
| 2.1.3 云平台的应用 | 第17-18页 |
| 2.2 云任务调度相关技术介绍 | 第18-23页 |
| 2.2.1 云任务调度概述 | 第18页 |
| 2.2.2 云任务调度的流程 | 第18-19页 |
| 2.2.3 云任务调度的目标 | 第19-20页 |
| 2.2.4 云任务调度策略介绍 | 第20-23页 |
| 2.3 聚类算法相关技术介绍 | 第23-26页 |
| 2.3.1 聚类的定义 | 第23页 |
| 2.3.2 聚类的要求 | 第23-24页 |
| 2.3.3 聚类的步骤 | 第24页 |
| 2.3.4 聚类算法的分类 | 第24-26页 |
| 第三章 IVCE平台下基于改进核K-均值算法的任务聚类 | 第26-40页 |
| 3.1 IVCE云平台任务特点 | 第26-27页 |
| 3.1.1 任务定义 | 第26-27页 |
| 3.1.2 任务特征 | 第27页 |
| 3.2 改进的核K均值算法 | 第27-31页 |
| 3.2.1 聚类算法的比较 | 第27-28页 |
| 3.2.2 改进的核K均值算法 | 第28-31页 |
| 3.3 实验仿真与分析 | 第31-39页 |
| 3.3.1 聚类评价标准 | 第31-32页 |
| 3.3.2 UCI标准数据集实验 | 第32-34页 |
| 3.3.3 IVCE平台下的任务聚类实验分析 | 第34-39页 |
| 3.4 本章小结 | 第39-40页 |
| 第四章 增强学习算法在IVCE云平台任务调度中的研究 | 第40-54页 |
| 4.1 IVCE平台任务调度模型设计 | 第40-48页 |
| 4.1.1 问题描述 | 第40-41页 |
| 4.1.2 目标函数 | 第41-42页 |
| 4.1.3 状态 | 第42页 |
| 4.1.4 动作 | 第42-43页 |
| 4.1.5 状态转移概率 | 第43-44页 |
| 4.1.6 回报函数 | 第44页 |
| 4.1.7 基于Q学习的调度算法设计 | 第44-45页 |
| 4.1.8 采用BP神经网络求解Q值 | 第45-48页 |
| 4.1.9 任务调度器设计 | 第48页 |
| 4.2 实验结果和分析 | 第48-53页 |
| 4.3 本章小结 | 第53-54页 |
| 第五章 IVCE平台下任务调度系统的设计与实现 | 第54-73页 |
| 5.1 任务调度系统架构设计 | 第54-55页 |
| 5.2 任务调度系统各模块的设计与实现 | 第55-65页 |
| 5.2.1 应用注册模块 | 第55-57页 |
| 5.2.2 任务接收模块 | 第57-59页 |
| 5.2.3 任务聚类模块 | 第59-61页 |
| 5.2.4 任务调度模块 | 第61-64页 |
| 5.2.5 任务结果回收模块 | 第64-65页 |
| 5.3 系统功能测试与分析 | 第65-72页 |
| 5.3.1 应用注册功能测试 | 第65-66页 |
| 5.3.2 任务接收功能测试 | 第66-67页 |
| 5.3.3 任务聚类功能测试 | 第67-68页 |
| 5.3.4 任务调度功能测试 | 第68-71页 |
| 5.3.5 任务数据回收功能测试 | 第71-72页 |
| 5.4 本章小结 | 第72-73页 |
| 第六章 总结与展望 | 第73-75页 |
| 6.1 全文总结 | 第73-74页 |
| 6.2 工作展望 | 第74-75页 |
| 参考文献 | 第75-77页 |
| 致谢 | 第77-78页 |
| 攻读学位期间发表的学术论文 | 第78页 |