隨著計算機(jī)和互聯(lián)網(wǎng)技術(shù)的迅猛發(fā)展,云計算作為一種商業(yè)化計算模式被許多互聯(lián)網(wǎng)企業(yè)所關(guān)注。云計算規(guī)模的海量化發(fā)展,使得如何低成本的充分利用云計算虛擬資源,高效的處理大規(guī)模云任務(wù)成為云計算技術(shù)研究的重點(diǎn)問題之一。云計算任務(wù)調(diào)度算法的性能直接影響著云計算虛擬資源處理任務(wù)的效率和成本。目前,對云計算任務(wù)調(diào)度算法的研究仍存在許多不足,造成了云計算虛擬資源的浪費(fèi),導(dǎo)致云計算平臺的性能降低,繼續(xù)深入研究合理高效的云計算任務(wù)調(diào)度算法十分必要。為將用戶提交的大量任務(wù)高效合理的分配給云計算資源,提出一種同時考慮時間和成本雙目標(biāo)的基于差分免疫的云計算任務(wù)調(diào)度算法——TMIDE。TMIDE算法將一般連續(xù)的求解問題通過合理的編碼與解碼方案映射到離散的云計算任務(wù)調(diào)度問題上,設(shè)計差分進(jìn)化算法變異過程中的自適應(yīng)變異因子F,以加快算法在迭代初期的收斂速度,且避免算法在迭代后期陷入局部最優(yōu)解;由于云任務(wù)的數(shù)量非常大,為了增加算法的求解精度,在傳統(tǒng)差分進(jìn)化算法中引入免疫算法的疫苗接種機(jī)制,在算法迭代過程中根據(jù)疫苗接種概率給種群中的個體接種疫苗,從而增加種群中較優(yōu)解的數(shù)量,提升算法的求解精度:為了避免種群在變異后產(chǎn)生的優(yōu)秀個體... 

【文章來源】：哈爾濱工程大學(xué)黑龍江省 211工程院校

【文章頁數(shù)】：68 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 研究目的和意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 國內(nèi)研究現(xiàn)狀
        1.2.2 國外研究現(xiàn)狀
    1.3 論文研究內(nèi)容
    1.4 論文組織結(jié)構(gòu)
第2章 云計算任務(wù)調(diào)度技術(shù)
    2.1 云計算概述
        2.1.1 云計算的定義
        2.1.2 云計算的分類
        2.1.3 云計算的編程模式
    2.2 云計算任務(wù)調(diào)度問題
        2.2.1 云計算任務(wù)調(diào)度模型
        2.2.2 云計算任務(wù)調(diào)度算法分類
        2.2.3 常用云計算任務(wù)調(diào)度算法
        2.2.4 云計算任務(wù)調(diào)度面臨的問題
    2.3 本章小結(jié)
第3章 差分免疫算法
    3.1 差分進(jìn)化算法原理分析
    3.2 差分進(jìn)化算法變異因子優(yōu)化
    3.3 免疫調(diào)度算法原理分析
        3.3.1 免疫算法的組成
        3.3.2 免疫調(diào)度算法實現(xiàn)原理
    3.4 差分免疫算法流程
    3.5 本章小結(jié)
第4章 差分免疫算法實現(xiàn)的云計算任務(wù)調(diào)度策略
    4.1 云計算任務(wù)調(diào)度建模
    4.2 差分免疫與云計算任務(wù)調(diào)度問題的映射
        4.2.1 種群的編碼方式
        4.2.2 種群的解碼過程
    4.3 差分免疫的云計算任務(wù)調(diào)度算法思想
        4.3.1 種群初始化
        4.3.2 適應(yīng)度值函數(shù)
        4.3.3 變異交叉操作
        4.3.4 疫苗庫提取與接種
        4.3.5 選擇策略
    4.4 差分免疫的云計算任務(wù)調(diào)度算法流程
    4.5 本章小結(jié)
第5章 實驗仿真與結(jié)果分析
    5.1 CloudSim實驗平臺
    5.2 性能評估參數(shù)
    5.3 實驗設(shè)計及結(jié)果分析
        5.3.1 實驗設(shè)計與參數(shù)設(shè)置
        5.3.2 結(jié)果分析
    5.4 本章小結(jié)
結(jié)論
參考文獻(xiàn)
攻讀碩士學(xué)位期間發(fā)表的論文和取得的科研成果
致謝


【參考文獻(xiàn)】：
期刊論文
[1]基于改進(jìn)蟻群算法的云計算任務(wù)調(diào)度研究[J]. 魏勇,趙開新,張松青,王東署.  火力與指揮控制. 2017(05)
[2]基于蟻群算法的云任務(wù)調(diào)度研究[J]. 王云松,孫佳林,龔躍.  長春理工大學(xué)學(xué)報(自然科學(xué)版). 2017(01)
[3]云計算中資源延遲感知的實時任務(wù)調(diào)度方法[J]. 陳黃科,祝江漢,朱曉敏,馬滿好,張振仕.  計算機(jī)研究與發(fā)展. 2017(02)
[4]一種基于分層多代理的云計算負(fù)載均衡方法[J]. 陶曉玲,韋毅,王勇.  電子學(xué)報. 2016(09)
[5]融合粒子群與蟻群的云計算任務(wù)調(diào)度算法[J]. 查安民,譚文安.  計算機(jī)技術(shù)與發(fā)展. 2016(08)
[6]免疫算法的優(yōu)化及其在綠色云計算中的應(yīng)用研究[J]. 龍著乾,崔順天.  信息與電腦(理論版). 2016(12)
[7]基于多目標(biāo)免疫系統(tǒng)算法的云任務(wù)調(diào)度策略[J]. 段凱蓉,張功萱.  計算機(jī)應(yīng)用. 2016(02)
[8]基于MapReduce的改進(jìn)蟻群算法在TSP中的應(yīng)用[J]. 何廣才,周根寶.  內(nèi)蒙古農(nóng)業(yè)大學(xué)學(xué)報(自然科學(xué)版). 2015(05)
[9]一種多QoS目標(biāo)約束的云計算任務(wù)調(diào)度策略[J]. 鄧見光,趙躍龍,袁華強(qiáng).  計算機(jī)應(yīng)用研究. 2016(08)
[10]Hadoop平臺中MapReduce調(diào)度算法研究[J]. 徐煥良,翟璐,薛衛(wèi),任守綱.  計算機(jī)應(yīng)用與軟件. 2015(05)

碩士論文
[1]云計算環(huán)境下任務(wù)調(diào)度優(yōu)化算法的研究[D]. 邢加偉.中國科學(xué)技術(shù)大學(xué) 2018
[2]基于云計算的改進(jìn)差分進(jìn)化算法的研究與實現(xiàn)[D]. 糜培培.電子科技大學(xué) 2018
[3]云計算環(huán)境下任務(wù)調(diào)度優(yōu)化算法的研究[D]. 王貝.中國科學(xué)技術(shù)大學(xué) 2017
[4]云計算環(huán)境下基于改進(jìn)PSO算法的任務(wù)調(diào)度研究[D]. 宋寒冰.吉林大學(xué) 2017
[5]改進(jìn)遺傳算法在云計算中的應(yīng)用[D]. 劉文博.吉林大學(xué) 2015



本文編號：3168032