基于优化混合智能算法的云计算任务调度策略研究
| 摘要 | 第3-4页 |
| abstract | 第4页 |
| 1 绪论 | 第9-17页 |
| 1.1 研究背景和意义 | 第9页 |
| 1.2 研究现状分析 | 第9-14页 |
| 1.2.1 云计算任务调度的国内外研究现状 | 第9-12页 |
| 1.2.2 粒子群算法的国内外研究现状 | 第12-13页 |
| 1.2.3 蚁群算法的国内外研究现状 | 第13-14页 |
| 1.3 论文的研究内容 | 第14-15页 |
| 1.4 论文的组织结构 | 第15-17页 |
| 2 云环境下任务调度机制 | 第17-25页 |
| 2.1 云计算 | 第17-19页 |
| 2.2 云计算的任务调度结构 | 第19-20页 |
| 2.3 实例检验分析 | 第20-24页 |
| 2.4 本章小结 | 第24-25页 |
| 3 粒子群算法和蚁群算法的介绍 | 第25-35页 |
| 3.1 粒子群算法 | 第25-28页 |
| 3.1.1 粒子群算法的基本原理 | 第25-26页 |
| 3.1.2 粒子群算法的实现步骤 | 第26-27页 |
| 3.1.3 粒子群算法的特点 | 第27-28页 |
| 3.1.4 粒子群算法的研究及应用 | 第28页 |
| 3.2 蚁群算法 | 第28-34页 |
| 3.2.1 蚁群算法的基本原理 | 第28-31页 |
| 3.2.2 蚁群算法的实现步骤 | 第31-32页 |
| 3.2.3 蚁群算法的特点 | 第32-33页 |
| 3.2.4 蚁群算法的研究及应用 | 第33-34页 |
| 3.3 本章小结 | 第34-35页 |
| 4 粒子群蚁群混合算法解决任务调度问题 | 第35-51页 |
| 4.1 粒子群任务调度算法的改进 | 第35-42页 |
| 4.1.1 标准粒子群算法 | 第35-36页 |
| 4.1.2 粒子编码与初始化 | 第36页 |
| 4.1.3 适应度函数 | 第36-37页 |
| 4.1.4 改进自适应惯性权重 | 第37-39页 |
| 4.1.5 实验与分析 | 第39-42页 |
| 4.2 融合粒子群蚁群的云计算任务调度算法 | 第42-47页 |
| 4.2.1 信息素初始化 | 第42-43页 |
| 4.2.2 路径选择 | 第43页 |
| 4.2.3 更新信息素 | 第43-44页 |
| 4.2.4 融合算法思想 | 第44页 |
| 4.2.5 融合算法的实现步骤 | 第44-47页 |
| 4.3 实验结果与分析 | 第47-50页 |
| 4.4 本章小结 | 第50-51页 |
| 5 总结与展望 | 第51-53页 |
| 5.1 总结 | 第51页 |
| 5.2 展望 | 第51-53页 |
| 致谢 | 第53-54页 |
| 参考文献 | 第54-59页 |
| 作者简介 | 第59页 |
