| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第一章 绪论 | 第8-14页 |
| 1.1 研究背景及意义 | 第8-10页 |
| 1.2 研究现状 | 第10-12页 |
| 1.2.1 国内研究现状 | 第10-11页 |
| 1.2.2 国外研究现状 | 第11-12页 |
| 1.3 论文组织结构 | 第12-14页 |
| 第二章 相关理论知识简介 | 第14-28页 |
| 2.1 虚拟机部署策略简介 | 第14-16页 |
| 2.1.1 降低能量消耗 | 第14-15页 |
| 2.1.2 提高资源利用率 | 第15-16页 |
| 2.2 资源放置涉及到的理论问题 | 第16-19页 |
| 2.2.1 装箱问题 | 第16-17页 |
| 2.2.2 多目标优化问题 | 第17-19页 |
| 2.3 蚁群算法 | 第19-23页 |
| 2.3.1 蚁群算法的起源 | 第19-20页 |
| 2.3.2 蚁群算法的优化本质 | 第20-21页 |
| 2.3.3 蚁群算法的运动规则 | 第21页 |
| 2.3.4 基本蚁群算法思路 | 第21-22页 |
| 2.3.5 蚁群算法的改进思路 | 第22-23页 |
| 2.4 蚁群算法的研究应用 | 第23-26页 |
| 2.4.1 蚁群算法在经典优化方面的应用 | 第23-24页 |
| 2.4.2 蚁群算法在机器人领域的应用 | 第24页 |
| 2.4.3 蚁群算法在神经网络训练的应用 | 第24-25页 |
| 2.4.4 蚁群算法在数据挖掘的应用 | 第25-26页 |
| 2.5 本章小结 | 第26-28页 |
| 第三章 基于多种群蚁群算法的云计算虚拟机部署研究 | 第28-46页 |
| 3.1 已有的蚁群算法的优化 | 第28-32页 |
| 3.1.1 最大最小蚁群算法 | 第28页 |
| 3.1.2 自适应蚁群算法 | 第28-29页 |
| 3.1.3 随机扰动蚁群算法 | 第29-30页 |
| 3.1.4 动态蚁群算法 | 第30页 |
| 3.1.5 蚁群算法的并行实现 | 第30-31页 |
| 3.1.6 进化多目标优化 | 第31-32页 |
| 3.2 改进的多种群蚁群算法 | 第32-36页 |
| 3.2.1 初始化阶段 | 第32页 |
| 3.2.2 搜索阶段 | 第32-34页 |
| 3.2.3 信息素的更新 | 第34-35页 |
| 3.2.4 种群间信息素的交流 | 第35-36页 |
| 3.3 多种群蚁群算法实现虚拟机部署(MCACS) | 第36-44页 |
| 3.3.1 问题陈述 | 第36页 |
| 3.3.2 虚拟机部署问题的数学模型 | 第36-37页 |
| 3.3.3 多种群蚁群算法流程 | 第37-43页 |
| 3.3.4 算法伪代码的描述 | 第43-44页 |
| 3.4 本章小结 | 第44-46页 |
| 第四章 算法仿真实验 | 第46-52页 |
| 4.1 仿真实验环境 | 第46页 |
| 4.2 实验参数设置 | 第46-47页 |
| 4.3 仿真实验实例 | 第47页 |
| 4.4 实验结果比较 | 第47-50页 |
| 4.5 实验结果分析 | 第50-51页 |
| 4.6 本章小结 | 第51-52页 |
| 第五章 总结与展望 | 第52-54页 |
| 参考文献 | 第54-58页 |
| 发表论文和参加科研情况说明 | 第58-60页 |
| 致谢 | 第60页 |