發(fā)布時(shí)間：2017-04-12 02:00

  本文關(guān)鍵詞：改進(jìn)粒子群算法的研究及其云計(jì)算資源調(diào)度的應(yīng)用，，由筆耕文化傳播整理發(fā)布。

【摘要】：在我們?nèi)粘Ｉ钪杏龅降暮枚鄦栴}都是最優(yōu)化問題,它能幫助我們從眾多方案中,選出一個(gè)最好的方案。為了解決最優(yōu)化問題,我們需要尋找更加高效的算法。作為一種最晚提出的群體智能算法,粒子群算法從一誕生,便受到廣大專家學(xué)者的重視。經(jīng)過長時(shí)間的發(fā)展,粒子群算法已經(jīng)廣泛應(yīng)用于各個(gè)領(lǐng)域,同時(shí)也是一種解決最優(yōu)化問題的高效算法。論文的主要工作有:(1)介紹了標(biāo)準(zhǔn)粒子群算法的基本原理和算法實(shí)現(xiàn)基本流程,并對(duì)粒子群算法中的幾個(gè)重要參數(shù)的選擇做了詳細(xì)的研究。(2)針對(duì)傳統(tǒng)粒子群算法存在早熟、容易陷入局部最優(yōu)解的問題,本文將局部版的粒子群算法思想與標(biāo)準(zhǔn)粒子群算法相結(jié)合,提出一種混合粒子群優(yōu)化算法。通過全局最優(yōu)解和鄰域最優(yōu)解同時(shí)作用于粒子的飛行,改進(jìn)了速度更新公式,使得粒子同時(shí)向全局最優(yōu)解和鄰域最優(yōu)解學(xué)習(xí)。(3)在前人的研究基礎(chǔ)上,對(duì)運(yùn)動(dòng)方程中的慣性權(quán)重、學(xué)習(xí)因子以及約束因子等做了改進(jìn),提出了一種基于慣性權(quán)重變化的學(xué)習(xí)因子和約束因子,并應(yīng)用到混合粒子群算法中。通過幾組實(shí)驗(yàn),分別將本文算法以及兩個(gè)文獻(xiàn)算法做了性能比較,說明本文算法的可行性和有效性。(4)為了驗(yàn)證本文提出的改進(jìn)算法在解決具體問題時(shí)的性能,將改進(jìn)算法應(yīng)用到云計(jì)算中的資源調(diào)度問題。算法在云計(jì)算仿真平臺(tái)Cloudsim下進(jìn)行,分別將本文算法與標(biāo)準(zhǔn)粒子群算法以及Cloudsim自帶的RR算法從調(diào)度時(shí)間和調(diào)度成本兩方面進(jìn)行比較。通過多次試驗(yàn)表明,本文算法在任務(wù)調(diào)度問題中性能要優(yōu)于標(biāo)準(zhǔn)粒子群算法和RR算法。
【關(guān)鍵詞】：粒子群算法 混合粒子群算法 學(xué)習(xí)因子 約束因子 云計(jì)算 資源調(diào)度
【學(xué)位授予單位】：江西理工大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2015
【分類號(hào)】：TP18;TP393.01
【目錄】：

• 摘要4-5
• Abstract5-8
• 第一章 緒論8-13
• 1.1 研究背景和意義8-10
• 1.2 國內(nèi)外研究現(xiàn)狀10-11
• 1.3 本文結(jié)構(gòu)安排11-13
• 第二章 云計(jì)算資源調(diào)度概述13-19
• 2.1 網(wǎng)格計(jì)算資源調(diào)度策略13-15
• 2.2 云供應(yīng)策略15
• 2.3 云計(jì)算資源調(diào)度策略15-17
• 2.4 資源調(diào)度的性能評(píng)價(jià)標(biāo)準(zhǔn)17
• 2.5 云計(jì)算負(fù)載均衡17-19
• 第三章 標(biāo)準(zhǔn)粒子群優(yōu)化算法PSO19-25
• 3.1 粒子群算法的基本原理19
• 3.2 粒子群算法的數(shù)學(xué)描述19-20
• 3.3 粒子群算法的發(fā)展20-21
• 3.4 粒子群算法的基本流程21-22
• 3.5 粒子群算法的應(yīng)用22-23
• 3.6 粒子群算法與遺傳算法比較23-25
• 第四章 改進(jìn)學(xué)習(xí)因子和約束因子的混合粒子群算法25-41
• 4.1 幾種改進(jìn)的粒子群算法25-29
• 4.1.1 自適應(yīng)粒子群算法（Adaptive Particle Swarm Optimization）25-26
• 4.1.2 混合粒子群算法（Hybrid Particle Swarm optimization）26-28
• 4.1.3 協(xié)同粒子群算法（Cooperative Partiele Swarm Optimization）28
• 4.1.4 離散粒子群算法（Diserete Particle Swarm Optimization）28-29
• 4.2 融合鄰域最優(yōu)解的混合粒子群算法29-30
• 4.3 改進(jìn)學(xué)習(xí)因子和約束因子的混合粒子群算法30-37
• 4.3.1 慣性權(quán)值的設(shè)置30-32
• 4.3.2 改進(jìn)的學(xué)習(xí)因子32-34
• 4.3.4 約束因子34
• 4.3.5 最大速度Vmax34-36
• 4.3.6 算法基本流程36-37
• 4.4 算法的性能測試評(píng)估37-41
• 第五章 基于混合粒子群算法的云計(jì)算資源調(diào)度41-53
• 5.1 云資源調(diào)度的問題描述41-43
• 5.2 云資源調(diào)度相關(guān)參數(shù)設(shè)置43
• 5.3 基于粒子群算法的資源調(diào)度43-46
• 5.3.1 可行解的定義44
• 5.3.2 粒子的編碼方式44-46
• 5.3.3 適應(yīng)值的定義46
• 5.3.4 種群的初始化46
• 5.4 CloudSim資源調(diào)度仿真流程46-48
• 5.5 算法仿真實(shí)驗(yàn)和結(jié)果分析48-53
• 5.5.1 任務(wù)數(shù)量對(duì)性能的影響48-50
• 5.5.2 資源數(shù)量對(duì)性能的影響50-53
• 第六章 總結(jié)和展望53-54
• 6.1 總結(jié)53
• 6.2 展望53-54
• 參考文獻(xiàn)54-59
• 致謝59-60
• 攻讀碩士學(xué)位期間發(fā)表的論文60-61

【共引文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前2條

1 白延敏;呂樹紅;;基于云計(jì)算的負(fù)載均衡方法研究[J];微電子學(xué)與計(jì)算機(jī);2013年12期

2 孟蒙;茅蘇;;基于云計(jì)算的可反饋負(fù)載均衡策略的研究[J];計(jì)算機(jī)技術(shù)與發(fā)展;2014年10期

  本文關(guān)鍵詞：改進(jìn)粒子群算法的研究及其云計(jì)算資源調(diào)度的應(yīng)用，由筆耕文化傳播整理發(fā)布。

本文編號(hào)：300424