| 摘要 | 第1-7页 |
| ABSTRACT | 第7-12页 |
| 第一章 绪论 | 第12-20页 |
| ·研究背景和意义 | 第12页 |
| ·国内外研究现状 | 第12-18页 |
| ·云计算研究现状 | 第12-16页 |
| ·云计算环境下任务调度策略研究现状 | 第16-18页 |
| ·论文的主要工作 | 第18-19页 |
| ·论文组织结构 | 第19-20页 |
| 第二章 云环境下任务调度综述 | 第20-29页 |
| ·云环境下任务调度相关技术与理论基础 | 第20-22页 |
| ·云计算技术体系结构 | 第20-21页 |
| ·虚拟化技术 | 第21页 |
| ·并行编程模式 | 第21-22页 |
| ·云环境下任务调度与网格计算、分布式计算任务调度关系 | 第22-24页 |
| ·分布式计算 | 第22页 |
| ·网格计算及其任务调度 | 第22-23页 |
| ·云计算任务调度与网格任务调度的比较 | 第23-24页 |
| ·任务调度综述 | 第24-25页 |
| ·任务调度定义 | 第24-25页 |
| ·基于 QoS 的任务分类 | 第25页 |
| ·云环境下虚拟机资源调度两层模型 | 第25-27页 |
| ·虚拟机资源调度模型 | 第25-26页 |
| ·虚拟机资源调度特点 | 第26-27页 |
| ·虚拟机任务调度目标 | 第27页 |
| ·常见的任务调度算法分析 | 第27-28页 |
| ·基于 Agent 的任务调度 | 第27页 |
| ·基于 Min-Min 和 Min-Max 算法的任务调度 | 第27-28页 |
| ·基于 Sufferage 算法的任务调度 | 第28页 |
| ·本章小结 | 第28-29页 |
| 第三章 一种云计算任务调度策略的研究与设计 | 第29-55页 |
| ·粒子群算法 | 第29-31页 |
| ·粒子群优化算法原理 | 第29-31页 |
| ·粒子群优化算法参数选择 | 第31页 |
| ·蚁群算法 | 第31-38页 |
| ·蚁群算法原理 | 第31-33页 |
| ·蚁群算法数学模型 | 第33-35页 |
| ·蚁群算法基本参数选择的研究 | 第35-37页 |
| ·蚁群算法优缺点 | 第37-38页 |
| ·蚁群算法的改进 | 第38-43页 |
| ·基于粒子群优化算法的蚁群算法（PSO_ACO） | 第38-40页 |
| ·PSO_ACO 算法仿真与性能分析 | 第40-42页 |
| ·PSO_ACO 优化算法在云计算任务调度中的可行性分析 | 第42-43页 |
| ·基于 PSO_ACO 算法的云计算任务调度策略设计 | 第43-54页 |
| ·蚁群算法数学模型应用到任务调度中的转换 | 第43页 |
| ·数学模型参数化 | 第43-45页 |
| ·多 QoS 目标集成资源选择约束函数 | 第45-46页 |
| ·多 QoS 目标集成的资源选择效用评价函数 | 第46-48页 |
| ·适用于 PSO_ACO 算法的云任务调度物理模型设计 | 第48-49页 |
| ·基于 PSO_ACO 算法任务调度过程描述 | 第49-54页 |
| ·本章小结 | 第54-55页 |
| 第四章 基于 PSO_ACO 联合算法的自适应任务调度算法 | 第55-61页 |
| ·自适应 PSO_ACO 算法的云任务调度 | 第55-59页 |
| ·改进思路 | 第55页 |
| ·自适应 PS0_ACO 算法信息素更新规则 | 第55-56页 |
| ·算法具体改进步骤 | 第56-57页 |
| ·调度流程 | 第57-59页 |
| ·自适应 PSO_ACO 算法伪代码 | 第59-60页 |
| ·本章小结 | 第60-61页 |
| 第五章 实验仿真与分析 | 第61-71页 |
| ·基于 CloudSim 资源调度仿真系统 | 第61-64页 |
| ·仿真环境介绍 | 第61-63页 |
| ·仿真系统设计过程 | 第63-64页 |
| ·仿真实验 | 第64-70页 |
| ·CloudSim 环境配置 | 第64页 |
| ·CloudSim 仿真流程 | 第64-66页 |
| ·实验结果与分析 | 第66-70页 |
| ·本章小结 | 第70-71页 |
| 第六章 论文总结与展望 | 第71-72页 |
| ·总结 | 第71页 |
| ·展望 | 第71-72页 |
| 致谢 | 第72-73页 |
| 参考文献 | 第73-78页 |
| 附录 | 第78页 |
