摘要 | 第5-7页 |
Abstract | 第7-9页 |
目录 | 第10-13页 |
图清单 | 第13-16页 |
表清单 | 第16-17页 |
第一章 绪论 | 第17-35页 |
1.1 仿生算法概述 | 第17-28页 |
1.2 研究背景、目的和意义 | 第28-32页 |
1.3 研究内容和创新点 | 第32-33页 |
1.4 本文的内容及组织安排 | 第33-34页 |
1.5 本章小结 | 第34-35页 |
第二章 蚁群算法动态岛模型 | 第35-47页 |
2.1 蚁群算法介绍 | 第35-39页 |
2.1.1 蚁群算法流程 | 第36-37页 |
2.1.2 蚁群算法改进 | 第37-38页 |
2.1.3 并行蚁群算法 | 第38-39页 |
2.2 本文对蚁群算法的改进 | 第39-46页 |
2.2.1 动态正反馈 | 第40-42页 |
2.2.2 动态正负反馈 | 第42-44页 |
2.2.3 收敛性分析 | 第44-46页 |
2.3 本章小结 | 第46-47页 |
第三章 粒子群算法卫星模型 | 第47-63页 |
3.1 粒子群算法介绍 | 第47-53页 |
3.1.1 粒子群算法描述 | 第47-49页 |
3.1.2 粒子群算法流程 | 第49-50页 |
3.1.3 搜索边界处理 | 第50-51页 |
3.1.4 两种经典模型 | 第51-53页 |
3.2 粒子群算法并行化 | 第53-54页 |
3.3 本文粒子群算法改进 | 第54-55页 |
3.4 卫星模型收敛性分析 | 第55-61页 |
3.4.1 基本 PSO 算法 | 第55-59页 |
3.4.2 PP-PSO 算法 | 第59-61页 |
3.5 本章小结 | 第61-63页 |
第四章 Hadoop 和 Haloop 平台研究 | 第63-79页 |
4.1 Hadoop 平台 | 第63-67页 |
4.1.1 Hadoop 生态系统 | 第64-66页 |
4.1.2 HDFS 介绍 | 第66-67页 |
4.2 Haloop 平台技术 | 第67-69页 |
4.3 MapReduce | 第69-78页 |
4.3.1 MapReduce 作业运行机制 | 第70-73页 |
4.3.2 MapReduce 实现框架 | 第73-77页 |
4.3.3 推测执行 | 第77-78页 |
4.4 本章小结 | 第78-79页 |
第五章 Haloop 调度算法的改进 | 第79-107页 |
5.1 Haloop 作业调度模型 | 第79-87页 |
5.1.1 FIFO 调度算法 | 第81页 |
5.1.2 计算能力调度算法 | 第81-84页 |
5.1.3 公平调度算法 | 第84-86页 |
5.1.4 LATE 调度算法 | 第86-87页 |
5.2 Haloop 任务调度模型改进 | 第87-103页 |
5.2.1 数据本地性问题 | 第87-89页 |
5.2.2 Haloop 任务调度算法 | 第89-91页 |
5.2.3 延迟算法 | 第91-93页 |
5.2.4 二分图基础 | 第93-94页 |
5.2.5 二分图最大匹配算法 | 第94-98页 |
5.2.6 加权二分图最佳匹配算法 | 第98-103页 |
5.3 任务调度改进算法实验 | 第103-106页 |
5.4 本章小结 | 第106-107页 |
第六章 算法的迭代 MapReduce 实现 | 第107-113页 |
6.1 蚁群算法的实现 | 第107-110页 |
6.1.1 动态正反馈 | 第107-109页 |
6.1.2 动态正负反馈 | 第109-110页 |
6.2 粒子群算法的实现 | 第110-112页 |
6.3 本章小结 | 第112-113页 |
第七章 实验与分析 | 第113-123页 |
7.1 实验目的 | 第113页 |
7.2 环境搭建 | 第113-114页 |
7.3 ACO 算法优化的 MapReduce 实现实验 | 第114-118页 |
7.4 PSO 算法优化的 MapReduce 实现实验 | 第118-122页 |
7.5 本章小结 | 第122-123页 |
结论与展望 | 第123-124页 |
参考文献 | 第124-135页 |
攻读博士学位期间取得的研究成果 | 第135-137页 |
致谢 | 第137-138页 |
附件 | 第138页 |