| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 缩略词表 | 第13-14页 |
| 第一章 绪论 | 第14-19页 |
| 1.1 研究背景与意义 | 第14-15页 |
| 1.2 国内外研究现状 | 第15-17页 |
| 1.3 本论文主要工作 | 第17页 |
| 1.4 论文章节内容安排 | 第17-19页 |
| 第二章 相关理论及技术基础 | 第19-27页 |
| 2.1 虚拟化及虚拟机放置相关理论 | 第19-20页 |
| 2.2 机器学习相关技术 | 第20-24页 |
| 2.2.1 机器学习技术简介 | 第20-21页 |
| 2.2.2 监督学习、无监督学习与半监督学习 | 第21-22页 |
| 2.2.3 集成学习 | 第22-23页 |
| 2.2.4 强化学习 | 第23-24页 |
| 2.3 深度学习相关技术 | 第24-26页 |
| 2.3.1 深度学习简介 | 第24-25页 |
| 2.3.2 深度学习相关研究方向 | 第25-26页 |
| 2.4 本章小结 | 第26-27页 |
| 第三章 基于聚类的能耗感知虚拟机放置算法研究 | 第27-42页 |
| 3.1 研究内容介绍 | 第27页 |
| 3.2 聚类算法简介 | 第27-29页 |
| 3.3 问题建模 | 第29-33页 |
| 3.4 虚拟机放置算法设计 | 第33-36页 |
| 3.4.1 算法框架 | 第33页 |
| 3.4.2 聚类方法设计 | 第33-35页 |
| 3.4.3 放置算法设计 | 第35-36页 |
| 3.5 仿真环境搭建 | 第36页 |
| 3.6 测试结果分析 | 第36-40页 |
| 3.7 本章小结 | 第40-42页 |
| 第四章 基于DQN的虚拟机放置算法研究 | 第42-67页 |
| 4.1 研究内容介绍 | 第42页 |
| 4.2 深度学习相关理论简介 | 第42-44页 |
| 4.2.1 深度Q学习 | 第42-43页 |
| 4.2.2 TensorFlow深度学习框架 | 第43-44页 |
| 4.3 问题建模 | 第44-45页 |
| 4.4 基于DQN的算法设计 | 第45-60页 |
| 4.4.1 算法框架设计 | 第45-48页 |
| 4.4.2 Q网络设计 | 第48-51页 |
| 4.4.3 反馈机制 | 第51-52页 |
| 4.4.4 模型训练过程 | 第52-57页 |
| 4.4.5 放置算法设计 | 第57-59页 |
| 4.4.6 多模型决策 | 第59-60页 |
| 4.5 仿真环境搭建 | 第60-61页 |
| 4.5.1 基于TensorFlow的仿真环境搭建 | 第60页 |
| 4.5.2 对比算法 | 第60-61页 |
| 4.5.3 参数配置 | 第61页 |
| 4.6 测试及结果分析 | 第61-66页 |
| 4.7 本章小结 | 第66-67页 |
| 第五章 总结与展望 | 第67-69页 |
| 5.1 全文总结 | 第67-68页 |
| 5.2 后续工作展望 | 第68-69页 |
| 致谢 | 第69-70页 |
| 参考文献 | 第70-74页 |
| 攻硕期间取得的研究成果 | 第74页 |