摘要 | 第5-6页 |
ABSTRACT | 第6页 |
第1章 绪论 | 第10-17页 |
1.1 研究背景 | 第10-11页 |
1.2 国内外研究现状 | 第11-14页 |
1.2.1 国内研究现状 | 第11-12页 |
1.2.2 国外研究现状 | 第12-14页 |
1.3 研究目的和意义 | 第14-15页 |
1.4 研究内容和研究思路 | 第15-17页 |
第2章 Hadoop大数据平台 | 第17-28页 |
2.1 Hadoop大数据平台背景 | 第17-19页 |
2.1.1 Hadoop大数据平台的产生背景 | 第17-18页 |
2.1.2 Hadoop大数据平台生态圈 | 第18-19页 |
2.2 Hadoop核心组件及其文件系统 | 第19-22页 |
2.2.1 核心组件 | 第19-20页 |
2.2.2 文件式存储系统hdfs及实现机制 | 第20-21页 |
2.2.3 MapReduce分析计算框架 | 第21-22页 |
2.3 E-MapReduce大数据分析计算平台 | 第22-26页 |
2.3.1 E-MapReduce概述 | 第23-24页 |
2.3.2 E-MapReduce架构组成 | 第24-25页 |
2.3.3 E-MapReduce优势 | 第25-26页 |
2.4 本章小结 | 第26-28页 |
第3章 传统遗传算法及TSP问题模型分析 | 第28-38页 |
3.1 遗传算法 | 第28-32页 |
3.1.1 遗传算法简介 | 第28页 |
3.1.2 遗传算法的发展历史 | 第28-29页 |
3.1.3 遗传算法的特点 | 第29页 |
3.1.4 遗传算法的运算过程 | 第29-32页 |
3.2 TSP问题及其传统求解模型分析 | 第32-36页 |
3.2.1 TSP问题简介 | 第33页 |
3.2.2 TSP问题的传统求解思想 | 第33-35页 |
3.2.3 TSP问题的智能优化算法求解思想 | 第35-36页 |
3.3 本章小结 | 第36-38页 |
第4章 基于Hadoop的混合并行遗传算法模型构建 | 第38-51页 |
4.1 基于Hadoop的并行遗传算法实现依据 | 第38-39页 |
4.1.1 个体适应度计算的并行性 | 第38页 |
4.1.2 整个群体中各个个体适应度评价的并行性 | 第38-39页 |
4.1.3 子代群体产生过程的并行性 | 第39页 |
4.1.4 基于群体分组的并行性 | 第39页 |
4.2 传统并行遗传算法实现模型 | 第39-42页 |
4.2.1 全局PGA模型 | 第40页 |
4.2.2 粗粒度PGA模型 | 第40-42页 |
4.2.3 细粒度PGA模型 | 第42页 |
4.2.4 混合PGA模型 | 第42页 |
4.3 基于Hadoop的并行遗传算法实现模型 | 第42-50页 |
4.3.1 混合并行遗传算法求解模型 | 第43-45页 |
4.3.2 混合并行遗传算法在Hadoop平台中的实现 | 第45-49页 |
4.3.3 混合并行遗传算法的优越性 | 第49-50页 |
4.4 本章小结 | 第50-51页 |
第5章 TSP问题下的模型验证 | 第51-68页 |
5.1 TSP问题传统遗传算法求解模型 | 第51-54页 |
5.2 Hadoop下HPGA求解TSP问题的数据平台设计 | 第54-55页 |
5.2.1 基础硬件设施设计 | 第54-55页 |
5.2.2 基于E-MapReduce的基础软件设施设计 | 第55页 |
5.3 Hadoop下HPGA求解TSP问题模型设计 | 第55-63页 |
5.3.1 初始总群与编码设计 | 第56页 |
5.3.2 求解TSP问题的遗传算子设计 | 第56-59页 |
5.3.3 求解TSP问题第一层算法模型设计 | 第59-61页 |
5.3.4 求解TSP问题第二层算法模型设计 | 第61-63页 |
5.4 算法测试与分析 | 第63-67页 |
5.4.1 第一层HPGA算法模型试验结果 | 第63-64页 |
5.4.2 第二层HPGA算法模型试验结果 | 第64-65页 |
5.4.3 基于Hadoop的HPGA试验结果分析 | 第65-67页 |
5.5 本章小结 | 第67-68页 |
第6章 结论与展望 | 第68-70页 |
6.1 总结 | 第68-69页 |
6.2 展望 | 第69页 |
6.3 不足之处 | 第69-70页 |
参考文献 | 第70-74页 |
攻读学位期间公开发表论文 | 第74-75页 |
致谢 | 第75页 |