| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 1 绪论 | 第9-13页 |
| 1.1 研究背景和意义 | 第9页 |
| 1.2 国内外研究现状 | 第9-11页 |
| 1.2.1 国外研究现状 | 第9-10页 |
| 1.2.2 国内研究现状 | 第10-11页 |
| 1.3 研究内容与论文结构 | 第11-12页 |
| 1.4 论文的创新点 | 第12-13页 |
| 2 云计算平台的基本理论 | 第13-17页 |
| 2.1 开源分布式并行计算平台Hadoop架构模型 | 第13页 |
| 2.2 分布式文件系统HDFS | 第13-14页 |
| 2.2.1 HDFS基本组织结构 | 第13-14页 |
| 2.3 分布式计算框架MapReduce | 第14-15页 |
| 2.3.1 MapReduce计算模型的基本概念 | 第14-15页 |
| 2.3.2 MapReduce计算模型的基本结构 | 第15页 |
| 2.4 本章小结 | 第15-17页 |
| 3 蚁群算法与遗传算法的基本理论及其改进 | 第17-38页 |
| 3.1 传统蚁群算法原理 | 第17-18页 |
| 3.2 传统蚁群算法模型 | 第18-22页 |
| 3.2.1 信息素挥发度更新规则 | 第19-22页 |
| 3.3 传统蚁群算法的参数影响 | 第22-26页 |
| 3.3.1 蚁群算法对参数的分析 | 第22-25页 |
| 3.3.2 α、β、ρ组合参数配置对蚁群算法的性能影响 | 第25-26页 |
| 3.4 基于自然选择策略的改进蚁群算法 | 第26-30页 |
| 3.4.1 路径选择概率更新规则 | 第26-27页 |
| 3.4.2 信息素优化更新规则 | 第27-30页 |
| 3.5 遗传算法的相关概念 | 第30页 |
| 3.6 遗传算法的特点 | 第30-31页 |
| 3.7 遗传操作的遗传算子 | 第31-32页 |
| 3.8 遗传算法的设计 | 第32-33页 |
| 3.8.1 遗传算法求解问题的一般过程 | 第32-33页 |
| 3.8.2 遗传算法流程图 | 第33页 |
| 3.9 基于免疫系统的改进遗传算法 | 第33-36页 |
| 3.10 本章小结 | 第36-38页 |
| 4 基于云平台的遗传-蚁群混合型优化算法 | 第38-44页 |
| 4.1 基于遗传操作的蚁群算法简介 | 第38页 |
| 4.2 免疫遗传算法与自然选择策略蚁群算法融合的基本思想 | 第38页 |
| 4.3 遗传-蚁群混合型优化算法的设计与构造 | 第38-40页 |
| 4.3.1 算法的基本设计 | 第38-39页 |
| 4.3.2 遗传算法中遗传算子的构造 | 第39-40页 |
| 4.3.2.1 交叉算子 | 第39-40页 |
| 4.3.2.2 变异算子 | 第40页 |
| 4.4 遗传-蚁群混合型算法流程 | 第40-42页 |
| 4.4.1 IGAACANS算法的流程 | 第40-41页 |
| 4.4.2 遗传-蚁群混合型算法在云平台的基本实现步骤 | 第41-42页 |
| 4.5 本章小结 | 第42-44页 |
| 5 遗传-蚁群混合型算法的仿真测试及结果对比分析 | 第44-50页 |
| 5.1 旅行商问题的概述 | 第44页 |
| 5.2 IGAACANS混合算法在TSP问题上的仿真验证 | 第44-48页 |
| 5.2.1 数据及仿真实验软件 | 第44-45页 |
| 5.2.2 三种算法对TSP的仿真 | 第45-48页 |
| 5.3 结果对比分析 | 第48-49页 |
| 5.4 本章小结 | 第49-50页 |
| 6 总结与展望 | 第50-51页 |
| 6.1 总结 | 第50页 |
| 6.2 展望 | 第50-51页 |
| 致谢 | 第51-52页 |
| 参考文献 | 第52-56页 |
| 作者简介 | 第56页 |
