首页--工业技术论文--自动化技术、计算机技术论文--自动化基础理论论文--人工智能理论论文

基于混沌粒子群鸡群融合优化算法的云任务调度应用与实现

摘要第4-7页
Abstract第7-9页
第1章 绪论第15-19页
    1.1 本文的研究背景第15-16页
        1.1.1 云任务调度现状第15-16页
    1.2 本文的选题意义第16-17页
        1.2.1 主要群智能算法第16页
        1.2.2 主要群智能算法云任务调度的意义第16-17页
    1.3 本文的主要工作第17页
    1.4 论文的组织结构第17-19页
第2章 云任务调度相关知识介绍第19-31页
    2.1 云计算的概念第19-25页
        2.1.1 云计算发展背景第19-22页
        2.1.2 云计算应用初步分类第22-24页
        2.1.3 云计算的主要特征和技术挑战第24-25页
    2.2 云数据中心概述第25-26页
    2.3 云计算数据中心资源调度需求分析第26页
    2.4 云计算数据中心资源调度标准进展第26-28页
    2.5 云数据中心资源管理调度核心技术以及科研热门第28-29页
    2.6 实时负载均衡调度第29-30页
        2.6.1 实时负载均衡调度的背景第29-30页
        2.6.2 实时负载均衡调度的相关工作第30页
    2.7 本章小结第30-31页
第3章 粒子群优化算法的云任务调度策略第31-38页
    3.1 粒子群优化算法(PSO)引言第31-32页
    3.2 粒子群优化算法(PSO)原理的介绍第32-33页
    3.3 粒子群优化算法(PSO)流程第33-34页
    3.4 粒子群优化算法(PSO)参数解析与设置第34-35页
    3.5 加惯性权重的粒子群优化算法(SPSO)第35-37页
    3.6 粒子群优化算法(PSO)在云任务调度中可行性分析第37页
    3.7 本章小结第37-38页
第4章 混沌粒子群鸡群融合优化算法的云任务调度策略第38-54页
    4.1 混沌粒子群算法(CPSO)模型第38-41页
        4.1.1 混沌及其特性第38-39页
        4.1.2 混沌粒子群优化算法(CPSO)的根本思想第39页
        4.1.3 混沌粒子群优化算法(CPSO)的实现流程第39-40页
        4.1.4 混沌粒子群优化算法(CPSO)在云任务调度中可行性分析第40-41页
    4.2 鸡群优化算法(CSO)第41-45页
        4.2.1 鸡群优化算法(CSO)简介第41-43页
        4.2.2 鸡群优化算法(CSO)原理的简单介绍第43-44页
        4.2.3 鸡群优化算法(CSO)参数分析第44-45页
    4.3 混沌粒子群鸡群融合优化算法(CPSCSFO)第45-52页
        4.3.1 混沌粒子群鸡群融合优化算法(CPSCSFO)提出背景第45页
        4.3.2 混沌粒子群鸡群融合优化算法(CPSCSFO)在云任务调度中可行性分析第45-46页
        4.3.3 混沌粒子群鸡群融合优化算法(CPSCSFO)算法的核心思想第46-47页
        4.3.4 混沌粒子群鸡群融合优化算法(CPSCSFO)速度和位置更新方法第47-48页
        4.3.5 混沌粒子群鸡群融合优化算法(CPSCSFO)的终止条件第48页
        4.3.6 混沌粒子群鸡群融合优化算法(CPSCSFO)的实现流程第48-49页
        4.3.7 混沌粒子群鸡群融合优化算法(CPSCSFO)的云任务调度模型第49-50页
        4.3.8 总任务执行时间评价函数的定义第50页
        4.3.9 总负载均衡程度评价函数的定义第50-51页
        4.3.10 总消耗成本评价函数的定义第51页
        4.3.11 混沌粒子群鸡群融合优化算法(CPSCSFO)求解云任务调度流程第51-52页
    4.4 本章小结第52-54页
第5章 实验结果与分析第54-65页
    5.1 Cloud Sim第54-60页
        5.1.1 Cloud Sim简介第54页
        5.1.2 Cloud Sim体系结构第54-59页
        5.1.3 Cloud Sim的仿真步骤第59-60页
    5.2 实验结果与分析第60-64页
        5.2.1 实验数据第60-61页
        5.2.2 实验结果与分析第61-64页
    5.3 本章小结第64-65页
第6章 总结与展望第65-67页
    6.1 工作总结第65-66页
    6.2 工作展望第66-67页
参考文献第67-70页
作者简介第70-71页
致谢第71页

论文共71页,点击 下载论文
上一篇:基于深度学习的分类算法研究及应用
下一篇:基于NiO纳米材料的气体传感器研究