云工作流系统中基于粒子群算法的任务调度优化研究
| 摘要 | 第3-6页 |
| ABSTRACT | 第6-8页 |
| 第一章 绪论 | 第11-20页 |
| 1.1 研究背景与意义 | 第11-16页 |
| 1.2 国内外研究现状 | 第16-17页 |
| 1.3 论文研究内容与创新点 | 第17-18页 |
| 1.4 论文组织结构 | 第18-19页 |
| 1.5 本章小结 | 第19-20页 |
| 第二章 云工作流系统中任务调度优化研究 | 第20-25页 |
| 2.1 时间优化的任务调度 | 第20-21页 |
| 2.2 费用优化的任务调度 | 第21-22页 |
| 2.3 QoS优化的任务调度 | 第22-23页 |
| 2.4 能耗优化的任务调度 | 第23-24页 |
| 2.5 本章小结 | 第24-25页 |
| 第三章 精细搜索的自适应惯性权重策略 | 第25-33页 |
| 3.1 粒子群算法 | 第25-26页 |
| 3.2 惯性权重 | 第26-32页 |
| 3.2.1 惯性权重策略分类 | 第26-28页 |
| 3.2.2 传统自适应惯性权重 | 第28-30页 |
| 3.2.3 精细搜索的自适应惯性权重 | 第30-32页 |
| 3.3 本章小结 | 第32-33页 |
| 第四章 费用优化的粒子群任务调度算法 | 第33-46页 |
| 4.1 问题描述与示例分析 | 第33-35页 |
| 4.2 费用与适应度模型 | 第35-36页 |
| 4.3 算法代码与分析 | 第36-38页 |
| 4.4 实验与分析 | 第38-45页 |
| 4.4.1 实验环境及参数设置 | 第38-39页 |
| 4.4.2 算法收敛性 | 第39-41页 |
| 4.4.3 适应度 | 第41-43页 |
| 4.4.4 执行费用 | 第43-45页 |
| 4.5 本章小结 | 第45-46页 |
| 第五章 能耗感知的粒子群任务调度算法 | 第46-57页 |
| 5.1 问题描述与示例分析 | 第46-47页 |
| 5.2 能耗与适应度模型 | 第47-49页 |
| 5.3 算法代码与分析 | 第49-52页 |
| 5.4 实验与分析 | 第52-56页 |
| 5.4.1 实验环境及参数设置 | 第52-53页 |
| 5.4.2 算法收敛性 | 第53-54页 |
| 5.4.3 适应度 | 第54-55页 |
| 5.4.4 执行能耗 | 第55-56页 |
| 5.5 本章小结 | 第56-57页 |
| 第六章 总结与展望 | 第57-59页 |
| 6.1 工作总结 | 第57-58页 |
| 6.2 未来展望 | 第58-59页 |
| 参考文献 | 第59-65页 |
| 附录A:图索引 | 第65-66页 |
| 附录B:表索引 | 第66-67页 |
| 致谢 | 第67-68页 |
| 攻读硕士学位期间发表的学术论文 | 第68页 |
