基于蚁群算法的云计算虚拟机分配问题研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第11-18页 |
| 1.1 研究的背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.2.1 虚拟机调度的研究现状 | 第12-14页 |
| 1.2.2 蚁群算法的研究现状 | 第14页 |
| 1.3 本文的主要研究内容 | 第14-16页 |
| 1.4 论文结构安排 | 第16-18页 |
| 第二章 相关技术与理论基础 | 第18-34页 |
| 2.1 云计算技术 | 第18-27页 |
| 2.1.1 云计算的概念 | 第18-21页 |
| 2.1.2 云计算的分类 | 第21-23页 |
| 2.1.3 云计算的关键技术 | 第23-26页 |
| 2.1.4 MapReduce框架体系及其应用 | 第26-27页 |
| 2.2 蚁群算法 | 第27-33页 |
| 2.2.1 蚁群算法的基本思想 | 第27-29页 |
| 2.2.2 蚁群算法在经典QAP问题的应用 | 第29-32页 |
| 2.2.3 蚁群算法的特点 | 第32-33页 |
| 2.3 本章小节 | 第33-34页 |
| 第三章 分布式云系统中虚拟机调度策略 | 第34-53页 |
| 3.1 分布式云体系结构 | 第34-36页 |
| 3.1.1 集中式云计算体系 | 第34-35页 |
| 3.1.2 分布式云计算体系 | 第35-36页 |
| 3.2 树形网络拓扑结构 | 第36-39页 |
| 3.3 虚拟机调度策略 | 第39-42页 |
| 3.3.1 虚拟机调度模型 | 第39-40页 |
| 3.3.2 基于网络优化的虚拟机静态放置 | 第40-41页 |
| 3.3.3 虚拟机调度的算法 | 第41-42页 |
| 3.4 问题描述 | 第42-47页 |
| 3.4.1 问题引入 | 第42-44页 |
| 3.4.2 问题的设定 | 第44-45页 |
| 3.4.3 问题的可实施优化目标 | 第45-46页 |
| 3.4.4 虚拟机内部的约束条件 | 第46-47页 |
| 3.5 数学模型及定义 | 第47-52页 |
| 3.5.1 问题形式化 | 第47-48页 |
| 3.5.2 NP-难度证明 | 第48-51页 |
| 3.5.3 问题分析 | 第51-52页 |
| 3.6 本章小节 | 第52-53页 |
| 第四章 最大最小蚁群算法实现虚拟机调度 | 第53-72页 |
| 4.1 基本的最大最小蚁群算法 | 第53-55页 |
| 4.1.1 最大最小蚁群算法的简介 | 第53-54页 |
| 4.1.2 最大最小蚁群算法的设计步骤 | 第54-55页 |
| 4.2 VMPDN的最大最小蚁群算法 | 第55-65页 |
| 4.2.1 VMPDN的算法思想 | 第55-59页 |
| 4.2.2 VMPDN的算法设计 | 第59-60页 |
| 4.2.3 算法初始位置选择策略 | 第60-63页 |
| 4.2.4 多精英信息素更新策略 | 第63-65页 |
| 4.3 VMDPN的局部搜索策略 | 第65-67页 |
| 4.3.1 VMPDN的双重变异搜索技术 | 第65-66页 |
| 4.3.2 K-NN搜索技术 | 第66-67页 |
| 4.4 并行加速策略 | 第67-69页 |
| 4.5 全局调度算法 | 第69-71页 |
| 4.6 本章小节 | 第71-72页 |
| 第五章 算法性能与评估 | 第72-88页 |
| 5.1 算法性能及评估 | 第72-81页 |
| 5.1.1 调参及性能分析 | 第72-76页 |
| 5.1.2 算法的数值实验及分析 | 第76-80页 |
| 5.1.3 并行蚁群算法加速策略 | 第80-81页 |
| 5.2 系统实验分析 | 第81-86页 |
| 5.2.1 数据中心网络拓扑架构 | 第81-83页 |
| 5.2.2 实验结果及分析 | 第83-86页 |
| 5.3 本章小节 | 第86-88页 |
| 第六章 总结与展望 | 第88-90页 |
| 6.1 本文工作总结 | 第88-89页 |
| 6.2 未来研究展望 | 第89-90页 |
| 致谢 | 第90-91页 |
| 参考文献 | 第91-96页 |
| 攻读学位期间主要的研究成果 | 第96-97页 |
