物流数据中的云聚类调度算法研究
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 专用术语注释表 | 第8-9页 |
| 第一章 绪论 | 第9-12页 |
| 1.1 研究背景与意义 | 第9-10页 |
| 1.2 论文的主要研究内容 | 第10页 |
| 1.3 论文的主要章节安排 | 第10-12页 |
| 第二章 相关背景知识介绍 | 第12-24页 |
| 2.1 云聚类算法研究现状 | 第12-17页 |
| 2.1.1 云计算的介绍 | 第12-14页 |
| 2.1.2 聚类介绍 | 第14-17页 |
| 2.1.3 云计算和聚类结合研究 | 第17页 |
| 2.2 云调度算法研究现状 | 第17-20页 |
| 2.2.1 遗传任务调度算法 | 第18-19页 |
| 2.2.2 蚁群任务调度算法 | 第19页 |
| 2.2.3 粒子群任务调度算法 | 第19页 |
| 2.2.4 混合启发式任务调度算法 | 第19-20页 |
| 2.3 物流应用前景 | 第20-23页 |
| 2.3.1 我国物流业发展现状 | 第20页 |
| 2.3.2 物联网与智慧物流 | 第20-22页 |
| 2.3.3 物流发展前景 | 第22-23页 |
| 2.3.4 物流数据处理现状 | 第23页 |
| 2.4 本章小结 | 第23-24页 |
| 第三章 基于普利姆的一种K均值聚类改进算法 | 第24-33页 |
| 3.1 引言 | 第24-25页 |
| 3.2 基于普利姆的K均值聚类改进算法 | 第25-28页 |
| 3.2.1 K均值聚类算法 | 第25页 |
| 3.2.2 prim算法 | 第25-26页 |
| 3.2.3 基于Prim的K均值聚类算法 | 第26-28页 |
| 3.3 算法的实验结果及分析 | 第28-32页 |
| 3.4 本章小结 | 第32-33页 |
| 第四章 基于随机梯度下降的SVM分类算法 | 第33-40页 |
| 4.1 引言 | 第33-34页 |
| 4.2 基于随机梯度下降的SVM分类算法 | 第34-36页 |
| 4.2.1 随机梯度下降算法 | 第34-35页 |
| 4.2.2 SVM分类算法 | 第35页 |
| 4.2.3 基于随机梯度下降的SVM分类算法 | 第35-36页 |
| 4.3 算法的实验结果及分析 | 第36-39页 |
| 4.4 本章小结 | 第39-40页 |
| 第五章 基于改进BPSO的绿色云计算调度算法 | 第40-49页 |
| 5.1 引言 | 第40-41页 |
| 5.2 基于改进BPSO的绿色云计算调度算法 | 第41-45页 |
| 5.2.1 云计算中任务调度模型 | 第41页 |
| 5.2.2 粒子群优化算法 | 第41-42页 |
| 5.2.3 基于改进BPSO的云计算调度算法 | 第42-45页 |
| 5.3 算法的实验结果以及仿真分析 | 第45-48页 |
| 5.4 本章小结 | 第48-49页 |
| 第六章 总结与展望 | 第49-51页 |
| 6.1 论文工作总结 | 第49页 |
| 6.2 未来工作展望 | 第49-51页 |
| 参考文献 | 第51-55页 |
| 附录1 攻读硕士学位期间撰写的论文 | 第55-56页 |
| 附录2 攻读硕士学位期间申请的专利 | 第56-57页 |
| 附录3 攻读硕士学位期间参加的科研项目 | 第57-58页 |
| 致谢 | 第58页 |
