| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-16页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.2.1 异构资源分配机制 | 第11-12页 |
| 1.2.2 多目标的作业调度 | 第12-13页 |
| 1.3 研究内容 | 第13-14页 |
| 1.4 论文结构安排 | 第14-16页 |
| 第2章 加速收敛蜂群的静态提交作业调度算法 | 第16-37页 |
| 2.1 异构资源下的调度模型与多目标 | 第16-22页 |
| 2.1.1 静态提交作业的集中式调度模型 | 第16-18页 |
| 2.1.2 异构资源下多目标的定义 | 第18-22页 |
| 2.2 加速收敛蜂群算法的作业调度 | 第22-29页 |
| 2.2.1 蜂群作业调度算法分析 | 第22-24页 |
| 2.2.2 多目标效益值的蜜源矩阵 | 第24-25页 |
| 2.2.3 异构资源负载均衡的蜜源选取和交换策略 | 第25-27页 |
| 2.2.4 蜂群算法的加速收敛 | 第27-29页 |
| 2.3 静态提交作业的调度算法性能测试 | 第29-36页 |
| 2.3.1 仿真平台 CloudSim 调度环境 | 第30-32页 |
| 2.3.2 性能测试指标及结果分析 | 第32-36页 |
| 2.4 本章小结 | 第36-37页 |
| 第3章 基于强化学习的动态到达作业调度算法 | 第37-47页 |
| 3.1 动态到达作业模型及算法分析 | 第37-40页 |
| 3.1.1 作业的泊松到达排队模型 | 第37-39页 |
| 3.1.2 动态到达作业调度算法分析 | 第39-40页 |
| 3.2 动态到达作业的多目标定义 | 第40-42页 |
| 3.3 基于强化学习 Q-learning 的调度算法 | 第42-46页 |
| 3.3.1 多目标调度的奖励值 | 第42-44页 |
| 3.3.2 基于强化学习的调度方案 | 第44-46页 |
| 3.4 本章小结 | 第46-47页 |
| 第4章 异构资源环境下多目标作业调度的仿真实验 | 第47-65页 |
| 4.1 仿真实验环境 Multi RECloud Sim 及设置 | 第47-50页 |
| 4.1.1 仿真平台 MultiRECloudSim | 第47-48页 |
| 4.1.2 异构资源平台设置 | 第48-50页 |
| 4.2 静态提交作业的调度仿真 | 第50-56页 |
| 4.2.1 多目标调度的实验设计 | 第50-52页 |
| 4.2.2 实验结果及分析 | 第52-56页 |
| 4.3 动态到达作业的调度仿真 | 第56-64页 |
| 4.3.1 仿真实验设计 | 第56-59页 |
| 4.3.2 实验结果及分析 | 第59-64页 |
| 4.4 本章小结 | 第64-65页 |
| 第5章 总结与展望 | 第65-67页 |
| 5.1 工作总结 | 第65-66页 |
| 5.2 工作展望 | 第66-67页 |
| 致谢 | 第67-68页 |
| 参考文献 | 第68-72页 |
| 攻读学位期间获得与学位论文相关的科研成果目录 | 第72页 |
