| 作者简介 | 第1-9页 |
| 摘要 | 第9-13页 |
| ABSTRACT | 第13-22页 |
| 第一章 绪论 | 第22-35页 |
| §1.1 选题的目的和意义 | 第22-23页 |
| §1.2 云上的调度策略及算法 | 第23-27页 |
| ·云上的调度策略 | 第23-25页 |
| ·云上的调度算法 | 第25-27页 |
| §1.3 国内外研究现状 | 第27-31页 |
| ·面向任务的云资源分配方法 | 第27-29页 |
| ·任务调度方法 | 第29-31页 |
| §1.4 任务调度面临的挑战 | 第31-32页 |
| §1.5 研究内容 | 第32-33页 |
| §1.6 论文的组织结构 | 第33-35页 |
| 第二章 基于差分演化的任务调度算法 | 第35-65页 |
| §2.1 任务调度模型 | 第35-37页 |
| §2.2 演化算法概述 | 第37-40页 |
| ·演化算法概述 | 第37-38页 |
| ·演化算法框架 | 第38-39页 |
| ·演化算法的基本特征 | 第39-40页 |
| §2.3 差分演化算法 | 第40-44页 |
| ·差分演化算法简介 | 第40-43页 |
| ·差分演化算法研究情况 | 第43-44页 |
| §2.4 改进的jDE算法及其在混合云任务调度中的应用 | 第44-48页 |
| ·jDE算法简介 | 第44-45页 |
| ·改进jDE算法——GaDE | 第45-48页 |
| §2.5 基于非支配排序的改进jDE算法 | 第48-55页 |
| ·多目标演化算法概述 | 第48-50页 |
| ·NSGA_Ⅱ算法简介 | 第50-53页 |
| ·基于非支配排序的多目标jDE算法——NSjDE | 第53-55页 |
| §2.6 实验结果与分析 | 第55-63页 |
| ·实验环境 | 第55页 |
| ·算法性能分析 | 第55-58页 |
| ·混合云任务调度结果分析 | 第58-63页 |
| §2.7 本章小结 | 第63-65页 |
| 第三章 基于协同过滤的在线调度算法 | 第65-79页 |
| §3.1 影响混合云上任务执行性能的因素 | 第65-66页 |
| §3.2 个性化推荐技术 | 第66-68页 |
| §3.3 基于协同过滤推荐的任务调度方法 | 第68-74页 |
| ·评价模型 | 第69-71页 |
| ·评分预测模型 | 第71页 |
| ·协同过滤推荐模型 | 第71-74页 |
| §3.4 实验结果与分析 | 第74-78页 |
| ·实验环境 | 第74页 |
| ·算法验证 | 第74-78页 |
| §3.5 本章小结 | 第78-79页 |
| 第四章 矩阵乘法并行化研究 | 第79-97页 |
| §4.1 矩阵的奇异值分解原理 | 第79-81页 |
| ·矩阵的奇异值 | 第79页 |
| ·矩阵的奇异值分解(SVD) | 第79-80页 |
| ·奇异值分解的算法 | 第80-81页 |
| §4.2 矩阵运算的研究现状 | 第81-82页 |
| §4.3 矩阵乘法的实现 | 第82-85页 |
| ·矩阵乘法定义 | 第82-83页 |
| ·伪代码及复杂度分析 | 第83页 |
| ·矩阵分块 | 第83-85页 |
| §4.4 MapReduce编程模型 | 第85-86页 |
| ·MapReduce编程模型概述 | 第85页 |
| ·数据分片 | 第85-86页 |
| ·数据流 | 第86页 |
| §4.5 基于MapReduce的内积法 | 第86-89页 |
| ·数据存储 | 第86-87页 |
| ·计算模型 | 第87页 |
| ·伪代码实现 | 第87-88页 |
| ·存在的问题 | 第88-89页 |
| §4.6 基于分布式缓存的矩阵乘法研究 | 第89-91页 |
| ·分布式缓存技术 | 第89-90页 |
| ·基于分布式缓存的矩阵乘法 | 第90页 |
| ·性能分析 | 第90-91页 |
| §4.7 实验结果与分析 | 第91-96页 |
| ·实验环境 | 第91页 |
| ·分片实验 | 第91-92页 |
| ·稀疏矩阵与稠密矩阵比较 | 第92-93页 |
| ·不同集群规模比较 | 第93-94页 |
| ·内积法与缓存法比较 | 第94-95页 |
| ·稀疏矩阵和稠密矩阵比较 | 第95-96页 |
| §4.8 本章小结 | 第96-97页 |
| 第五章 基于演化的多标签分类方法 | 第97-117页 |
| §5.1 多标签分类问题的研究现状 | 第97-100页 |
| §5.2 多标签分类方法的选择 | 第100-102页 |
| §5.3 粒子群优化算法及其改进 | 第102-105页 |
| ·粒子群优化算法概述 | 第102-103页 |
| ·粒子群优化算法的模型及流程 | 第103-105页 |
| §5.4 基于粒子群算法的多标签分类算法 | 第105-114页 |
| ·PSO优化部分的详细设计 | 第106-108页 |
| ·KNN分类算法的详细设计 | 第108-109页 |
| ·KNN算法中距离计算算法的选择 | 第109-112页 |
| ·基于PSO的KNN分类算法 | 第112-114页 |
| §5.5 实验结果与分析 | 第114-116页 |
| ·实验环境与流程 | 第114-115页 |
| ·实验结果与分析 | 第115-116页 |
| §5.6 本章小结 | 第116-117页 |
| 第六章 总结与展望 | 第117-120页 |
| §6.1 工作总结 | 第117-119页 |
| §6.2 展望 | 第119-120页 |
| 致谢 | 第120-121页 |
| 参考文献 | 第121-129页 |