云计算下基于蚁群优化算法的资源分配研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-14页 |
| 1.1 课题研究背景及意义 | 第10-11页 |
| 1.2 课题研究现状 | 第11-12页 |
| 1.3 本文的主要工作 | 第12-13页 |
| 1.4 本文的组织结构 | 第13-14页 |
| 第二章 云环境下资源分配概述 | 第14-25页 |
| 2.1 资源分配理论基础 | 第14-18页 |
| 2.1.1 云计算资源管理体系 | 第14-16页 |
| 2.1.2 资源分配的定义 | 第16-17页 |
| 2.1.3 基于QoS的任务分类 | 第17-18页 |
| 2.2 资源分配相关技术 | 第18-21页 |
| 2.2.1 并行编程模式 | 第18-19页 |
| 2.2.2 虚拟化技术 | 第19-20页 |
| 2.2.3 负载均衡技术 | 第20-21页 |
| 2.3 常用算法 | 第21-23页 |
| 2.4 本章小结 | 第23-25页 |
| 第三章 云计算环境下蚁群算法的优化 | 第25-37页 |
| 3.1 蚁群算法的数学模型 | 第25-28页 |
| 3.2 参数选定 | 第28-31页 |
| 3.3 蚁群算法的优化 | 第31-33页 |
| 3.3.1 全局信息素浓度强化 | 第31-32页 |
| 3.3.2 交叉变异操作 | 第32-33页 |
| 3.3.3 与其他算法融合 | 第33页 |
| 3.4 参数转化 | 第33-34页 |
| 3.5 实验仿真与分析 | 第34-36页 |
| 3.6 本章小结 | 第36-37页 |
| 第四章 遗传算法和优化蚁群算法的融合 | 第37-45页 |
| 4.1 蚁群算法前期搜索存在的问题 | 第37-38页 |
| 4.2 RAAG算法设计思路 | 第38页 |
| 4.3 RAAG算法初期 | 第38-40页 |
| 4.3.1 遗传算法模型构建 | 第38-39页 |
| 4.3.2 遗传算法的流程 | 第39-40页 |
| 4.4 RAAG算法的融合技术 | 第40-42页 |
| 4.4.1 融合点的确定 | 第40-41页 |
| 4.4.2 初始信息素转化 | 第41-42页 |
| 4.5 RAAG算法后期 | 第42-43页 |
| 4.6 算法总流程 | 第43-44页 |
| 4.7 本章小结 | 第44-45页 |
| 第五章 实验仿真及分析 | 第45-51页 |
| 5.1 CloudSim简介 | 第45-46页 |
| 5.2 仿真实验 | 第46-50页 |
| 5.2.1 环境搭建 | 第46-47页 |
| 5.2.2 实验结果与分析 | 第47-50页 |
| 5.3 本章小结 | 第50-51页 |
| 第六章 总结与展望 | 第51-53页 |
| 6.1 总结 | 第51页 |
| 6.2 展望 | 第51-53页 |
| 致谢 | 第53-54页 |
| 参考文献 | 第54-57页 |
| 附录 | 第57-58页 |
| 详细摘要 | 第58-60页 |
