| 摘要 | 第3-4页 |
| ABSTRACT | 第4-5页 |
| 1 绪论 | 第9-14页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.3 本文研究内容 | 第12-13页 |
| 1.4 本文组织结构 | 第13-14页 |
| 2 云计算及其资源分配问题 | 第14-25页 |
| 2.1 云计算的简介 | 第14-18页 |
| 2.1.1 云计算的概念 | 第14页 |
| 2.1.2 云计算的特点 | 第14-15页 |
| 2.1.3 云计算的体系结构 | 第15-17页 |
| 2.1.4 云计算平台 | 第17-18页 |
| 2.2 云计算资源分配的概念 | 第18-19页 |
| 2.3 云计算资源分配遇到的问题 | 第19-20页 |
| 2.4 云计算资源分配模型 | 第20-21页 |
| 2.5 云计算中常用的资源分配算法 | 第21-23页 |
| 2.5.1 蚁群算法 ACO(Ant Colony Optimization) | 第21-22页 |
| 2.5.2 模拟退火算法 SA(Simulated Annealing) | 第22页 |
| 2.5.3 人工神经网络 ANNs(Artificial Neural Networks) | 第22-23页 |
| 2.6 云计算资源分配算法的性能评价 | 第23-24页 |
| 2.6.1 云计算的调度目标 | 第23-24页 |
| 2.6.2 调度目标资源分配算法的性能指标 | 第24页 |
| 2.7 本章小结 | 第24-25页 |
| 3 基于粒子群结合遗传算法（PSO-GA）的资源分配算法 | 第25-47页 |
| 3.1 粒子群结合遗传算法（PSO-GA）思想 | 第25-28页 |
| 3.1.1 粒子群结合遗传算法提出的背景 | 第25-27页 |
| 3.1.2 粒子群结合遗传算法的框架 | 第27-28页 |
| 3.2 粒子群结合遗传算法（PSO-GA）的实现流程 | 第28-36页 |
| 3.2.1 定义目标函数 | 第28-29页 |
| 3.2.2 适应度函数的设计 | 第29页 |
| 3.2.3 生成初始种群 | 第29-32页 |
| 3.2.4 种群分割 | 第32-33页 |
| 3.2.5 选择操作 | 第33-34页 |
| 3.2.6 交叉操作 | 第34-35页 |
| 3.2.7 变异操作 | 第35页 |
| 3.2.8 终止条件和参数控制 | 第35-36页 |
| 3.2.9 解码和得到最优分配方案 | 第36页 |
| 3.3 仿真实验及结论 | 第36-45页 |
| 3.3.1 CloudSim 简介 | 第36-38页 |
| 3.3.2 环境配置及参数设置 | 第38-39页 |
| 3.3.3 仿真步骤 | 第39-40页 |
| 3.3.4 PSO-GA 算法实现 | 第40-42页 |
| 3.3.5 实验分析与结论 | 第42-45页 |
| 3.4 本章小结 | 第45-47页 |
| 4 基于改进型人工鱼群算法（IAFA）的资源分配算法 | 第47-58页 |
| 4.1 改进型人工鱼群算法设计思路 | 第47-51页 |
| 4.1.1 人工鱼群算法 | 第47-49页 |
| 4.1.2 改进型人工鱼群算法（IAFA）的思路 | 第49-50页 |
| 4.1.3 改进型人工鱼群算法的框架 | 第50-51页 |
| 4.2 改进型人工鱼群算法的实现流程 | 第51-54页 |
| 4.2.1 人工鱼群算法在云计算下资源分配的数学模型 | 第51页 |
| 4.2.2 定义目标函数 | 第51-52页 |
| 4.2.3 人工鱼编码 | 第52-53页 |
| 4.2.4 算法步骤 | 第53-54页 |
| 4.3 实验及结果分析 | 第54-57页 |
| 4.3.1 算法的性能测试 | 第54-56页 |
| 4.3.2 IAFA 算法在云计算中的资源分配 | 第56-57页 |
| 4.4 本章小结 | 第57-58页 |
| 5 总结与展望 | 第58-60页 |
| 5.1 总结 | 第58页 |
| 5.2 展望 | 第58-60页 |
| 致谢 | 第60-61页 |
| 参考文献 | 第61-65页 |
| 附录 | 第65页 |
| A. 作者在攻读硕士学位期间所发表的论文 | 第65页 |
| B. 作者在攻读硕士学位期间参加的科研项目目录 | 第65页 |
