云計算的任務調(diào)度和資源分配一直是當前云計算研究的熱點。隨著大數(shù)據(jù)和物聯(lián)網(wǎng)的發(fā)展,如何在最短時間內(nèi)尋找最優(yōu)結(jié)果是云計算調(diào)度分配的核心問題。當前各種改進算法仍然是在算法復雜度和性能之間尋找平衡,并不能從根本上解決該矛盾。針對上述問題,利用深度學習模型訓練群組優(yōu)化調(diào)度后的數(shù)據(jù)來實現(xiàn)對調(diào)度結(jié)果的直接預測是一條可行的路徑。但是由于深度學習復雜的層次結(jié)構(gòu)和數(shù)量眾多的神經(jīng)元節(jié)點,導致其訓練時間比傳統(tǒng)的機器學習更長,如何提高訓練速度優(yōu)化深度學習模型是須解決的現(xiàn)實問題。論文主要從兩個方面研究,一是從研究優(yōu)化調(diào)度算法的角度以獲取更精確的訓練樣本,另一個方面是從研究改進深度學習模型的角度以提高訓練速度。具體工作如下:(1)針對云計算任務調(diào)度問題,建立了基于任務最短執(zhí)行時間的調(diào)度模型。(2)針對調(diào)度優(yōu)化效果問題,研究了兩種優(yōu)化算法。在鳥群算法的基礎上結(jié)合差分進化算法并根據(jù)鳥群中個體飛入飛出群體的行為,提出改進型鳥群算法(ISBSA)。在新蝙蝠群算法的基礎上加入動態(tài)因子,二階震蕩以及差分進化算法等三種改進方式。提出改進型新蝙蝠群算法(ONBA),并使用這兩種改進的算法求解本文提出的多目標問題。同時對兩種改進算法的...

【文章頁數(shù)】：97 頁

【學位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
第1章 緒論
    1.1 研究背景與意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 云計算國內(nèi)外研究現(xiàn)狀
        1.2.2 深度學習
    1.3 存在的問題與擬解決方法
    1.4 本文的研究內(nèi)容
    1.5 論文組織結(jié)構(gòu)
    1.6 本章小結(jié)
第2章 相關研究與關鍵技術
    2.1 云計算與任務調(diào)度的相關介紹
        2.1.1 云計算的定義
        2.1.2 云計算的分類和關鍵技術
        2.1.3 云計算任務調(diào)度
    2.2 常用的資源調(diào)度算法研究
        2.2.1 傳統(tǒng)的資源調(diào)度算法
        2.2.2 智能化的調(diào)度算法
    2.3 深度學習
    2.4 本章小結(jié)
第3章 面向任務最短執(zhí)行時間的算法優(yōu)化
    3.1 云計算資源調(diào)度的目標
    3.2 云計算調(diào)度模型的分析與建立
    3.3 改進鳥群算法和新蝙蝠群算法
        3.3.1 改進的鳥群算法
        3.3.2 新蝙蝠群算法
        3.3.3 改進鳥群算法仿真
        3.3.4 改進新蝙蝠群算法仿真
        3.3.5 ONBA和ISBSA算法對比分析
    3.4 本章小結(jié)
第4章 面向優(yōu)化時效的改進深度學習模型
    4.1 引言
    4.2 RBM訓練改進
    4.3 模型訓練次數(shù)的改進
    4.4 BP算法中學習率的改進
    4.5 深度學習模型改進仿真
    4.6 本章小結(jié)
第5章 實驗仿真及結(jié)果分析
    5.1 引言
    5.2 深度學習預測調(diào)度仿真
        5.2.1 深度學習對于ONBA調(diào)度結(jié)果的預測
        5.2.2 深度學習對于ISBSA調(diào)度結(jié)果的預測
        5.2.3 深度學習對于傳統(tǒng)調(diào)度結(jié)果的預測
    5.3 本章小結(jié)
第6章 總結(jié)與展望
    6.1 總結(jié)
    6.2 展望
參考文獻
致謝
攻讀學位期間的科研項目和學術論文



本文編號：4038131