本文關(guān)鍵詞：混合云平臺(tái)上多目標(biāo)任務(wù)調(diào)度算法研究，，由筆耕文化傳播整理發(fā)布。

【摘要】：云計(jì)算是并行計(jì)算(Parallel Computing)、分布式計(jì)算(Distributed Computing)、和網(wǎng)格計(jì)算(Grid Computing)技術(shù)的演化和發(fā)展。任務(wù)調(diào)度是云計(jì)算的基本研究問題之一,它根據(jù)任務(wù)的各種需求,采用適當(dāng)策略把不同的任務(wù)分配到云中合適的資源節(jié)點(diǎn)上執(zhí)行。在云計(jì)算系統(tǒng)中,任務(wù)調(diào)度問題也稱為任務(wù)映射,就是在大量異構(gòu)節(jié)點(diǎn)構(gòu)成的數(shù)據(jù)集群中,結(jié)合考慮每個(gè)計(jì)算處理節(jié)點(diǎn)的能力,網(wǎng)絡(luò)帶寬等性能,以最合理的方式把用戶提交的所有任務(wù)分配到數(shù)據(jù)集群中的計(jì)算節(jié)點(diǎn)上。這已經(jīng)被證明是一個(gè)非確定多項(xiàng)式(non-deterministic polynomial, NP)問題。目前云計(jì)算模式主要有三類：私有云、公有云和混合云。私有云是針對(duì)特定的組織或企業(yè)內(nèi)部提供云計(jì)算服務(wù)的一種云計(jì)算模式,能夠根據(jù)資源節(jié)點(diǎn)數(shù)量、性能等不同的建設(shè)需求而定制,具有數(shù)據(jù)安全性好、服務(wù)質(zhì)量高、單次計(jì)算成本較低的特點(diǎn)：公有云是在公共網(wǎng)絡(luò)環(huán)境(Internet)上,以第三方服務(wù)供應(yīng)商的方式,為用戶提供可租用服務(wù)及基礎(chǔ)設(shè)施,具有節(jié)點(diǎn)數(shù)量大、可用資源多、按計(jì)算使用情況計(jì)費(fèi)、對(duì)通信質(zhì)量較為敏感等特點(diǎn)；而混合云則由兩個(gè)或多個(gè)云(私有云、公有云或社區(qū)云)組成,它們之間相對(duì)獨(dú)立但又可協(xié)同工作。在混合云平臺(tái)中,任務(wù)調(diào)度存在新的挑戰(zhàn)。首先,混合云通常包含了數(shù)量龐大的云計(jì)算節(jié)點(diǎn),其任務(wù)調(diào)度是一個(gè)大規(guī)模優(yōu)化的NP問題。其次,由于混合云上的用戶差異性較大,其所提交的任務(wù)需求多樣化,不同的任務(wù)對(duì)實(shí)時(shí)性、帶寬、計(jì)算成本等其中某一項(xiàng)或多項(xiàng)有較高要求。最后,用戶作業(yè)潛在以分散形式提交,導(dǎo)致云平臺(tái)上的任務(wù)調(diào)度,必須考慮任務(wù)及各節(jié)點(diǎn)資源的動(dòng)態(tài)性問題。因此,在混合云計(jì)算環(huán)境中,任務(wù)調(diào)度需要解決的兩大問題：一是由于節(jié)點(diǎn)數(shù)的增多所帶來的調(diào)度計(jì)算復(fù)雜度驟然增加；二是異構(gòu)節(jié)點(diǎn)的增多以及用戶在提交任務(wù)時(shí)的需求因素增多,使調(diào)度優(yōu)化的計(jì)算維度增大。由此可見,混合云平臺(tái)上的任務(wù)調(diào)度,是一個(gè)帶有多目標(biāo)條件的大規(guī)模優(yōu)化問題。綜合國(guó)內(nèi)外的發(fā)展現(xiàn)狀,混合云平臺(tái)上的任務(wù)調(diào)度面臨著以下問題：(1)資源管理難度高。由于混合云中加入大規(guī)模異構(gòu)資源,導(dǎo)致資源管理難度增加。隨著物聯(lián)網(wǎng)、智能終端等技術(shù)的發(fā)展,不同級(jí)別規(guī)模的開發(fā)云、移動(dòng)網(wǎng)絡(luò)及無線傳感網(wǎng)等網(wǎng)絡(luò)資源,都將接入到公共網(wǎng)絡(luò)中,并作為混合云的一部分。這些云資源數(shù)量巨大且具備鮮明的異構(gòu)性。從國(guó)內(nèi)外的研究情況上來看,在考慮任務(wù)特性時(shí),主要工作還是集中在同構(gòu)資源的動(dòng)態(tài)分配或是單一特性資源自動(dòng)分簇等方面。對(duì)這些大規(guī)模異構(gòu)資源的組織和管理,還有待深入研究。(2)任務(wù)分發(fā)優(yōu)化難度大。在大規(guī)模異構(gòu)資源上進(jìn)行任務(wù)分發(fā)的難度增大。由于混合云所具有的大規(guī)模異構(gòu)資源,使用啟發(fā)式算法進(jìn)行任務(wù)調(diào)度時(shí),計(jì)算效率受到極大影響,而采用在線方法進(jìn)行調(diào)度時(shí),盡管速度快,又不容易得到滿足多任務(wù)需求最優(yōu)調(diào)度方案。因此,混合云上的任務(wù)調(diào)度方法,需要綜合考慮任務(wù)特性、資源異構(gòu)性等對(duì)任務(wù)調(diào)度的影響。(3)多任務(wù)調(diào)度目標(biāo)及其動(dòng)態(tài)性增加了調(diào)度難度。目前的任務(wù)調(diào)度算法中,由于多是考慮單個(gè)目標(biāo)(如QoS、計(jì)算成本等),因此多采用權(quán)值計(jì)算或者決策樹的方式,將任務(wù)分發(fā)與調(diào)度綜合在一起進(jìn)行優(yōu)化。當(dāng)綜合考慮多個(gè)目標(biāo)同時(shí)滿足時(shí),沿用以往的辦法,無疑將提升維度,增大算法求解難度。而且,任務(wù)完成后的資源釋放也是一種動(dòng)態(tài)性,同樣影響著任務(wù)調(diào)度的策略制定。本研究針對(duì)混合云平臺(tái)上任務(wù)調(diào)度面臨的挑戰(zhàn),將其抽象成大規(guī)模異構(gòu)資源上的多目標(biāo)調(diào)度優(yōu)化問題。通過將異構(gòu)資源按其多屬性分類成同構(gòu)資源池,來解決資源的異構(gòu)性問題；通過對(duì)任務(wù)與資源池的相似度及偏好關(guān)系計(jì)算,來解決任務(wù)的快速分發(fā)問題；最終設(shè)計(jì)并實(shí)現(xiàn)多目標(biāo)任務(wù)調(diào)度優(yōu)化算法,來解決任務(wù)在資源池中的多目標(biāo)調(diào)度。所做的工作包括：本文中針對(duì)混合云上任務(wù)調(diào)度問題,給出了其抽象的數(shù)學(xué)優(yōu)化模型。針對(duì)任務(wù)調(diào)度問題自身的特點(diǎn),設(shè)計(jì)了一種單目標(biāo)差分演化算法——GaDE算法,該算法在交叉操作,選擇策略以及控制參數(shù)的調(diào)整方面對(duì)jDE算法進(jìn)行了改進(jìn),能夠以最少的仿真次數(shù)保留最多的有效遺傳信息；同時(shí)給出了一種偏序關(guān)系,使其能夠用于處理約束條件。為了更好的處理混合云任務(wù)調(diào)度中常出現(xiàn)的多目標(biāo)優(yōu)化,在提出的改進(jìn)GaDE算法的基礎(chǔ)上,結(jié)合非支配排序算法NSGA_Ⅱ中基于Pareto最優(yōu)的快速排序的方法,提出了一種多目標(biāo)算法——NSjDE算法,算法同樣也對(duì)減少評(píng)價(jià)的次數(shù)做了一些考慮和嘗試。通過實(shí)驗(yàn)對(duì)比了Min-Min算法、GaDE算法和NsjDE算法等三種啟發(fā)式算法。實(shí)驗(yàn)結(jié)果表明,在單目標(biāo)的任務(wù)調(diào)度上,GaDE算法和NsjDE算法在近似最優(yōu)解的獲取上有更好的表現(xiàn)。而多目標(biāo)的NSjDE算法在優(yōu)化速度上明顯優(yōu)于單目標(biāo)的改進(jìn)jDE算法,并且可能在一次運(yùn)行中產(chǎn)生多個(gè)滿足要求的非劣解,以便于向用戶提供更多的選擇。針對(duì)混合云中任務(wù)提交的分散性及動(dòng)態(tài)性,本文提出了基于協(xié)同過濾的混合云任務(wù)調(diào)度算法。該算法將個(gè)性化推薦技術(shù)引入到任務(wù)調(diào)度中,把任務(wù)當(dāng)做是需要選擇資源的用戶,為其進(jìn)行推薦。該算法使用相似度矩陣計(jì)算任務(wù)對(duì)資源的偏好,以達(dá)到快速將任務(wù)分配到資源的目的。在算法設(shè)計(jì)中,本文設(shè)計(jì)了基于屬性的評(píng)分方法,并且結(jié)合多目標(biāo)的需求,使用類似于多F1標(biāo)求解方法中聚合函數(shù)的方式,給出了最資源的多同標(biāo)加權(quán)評(píng)分。為了提高預(yù)測(cè)評(píng)分的準(zhǔn)確性,文中采用多元線性回歸的方法給出了評(píng)分預(yù)測(cè)模型,在此基礎(chǔ)上完善了協(xié)同過濾器的設(shè)計(jì)。通過實(shí)驗(yàn)將協(xié)同過濾任務(wù)調(diào)度算法與GaDE算法及NsjDE算法進(jìn)行對(duì)已。實(shí)驗(yàn)結(jié)果表明,盡管相比于單/多目標(biāo)啟發(fā)式優(yōu)化算法,協(xié)同過濾推薦算法在以極小最短完成時(shí)間、極小計(jì)算成本為目標(biāo)的調(diào)度方案上無法得到最優(yōu)解,但是其計(jì)算時(shí)間快、可擴(kuò)展性強(qiáng)。而且由于在評(píng)分模型中,已經(jīng)考慮了沖突目標(biāo)(計(jì)算成本與最短完成時(shí)間)的負(fù)分評(píng)價(jià),因此在得到的調(diào)度方案中,協(xié)同過濾推薦算法能夠得到一個(gè)多目標(biāo)間較為均衡的解。協(xié)同過濾調(diào)度算法在計(jì)算速度上的優(yōu)勢(shì),及在多目標(biāo)調(diào)度上的表現(xiàn),使得其可以作為混合云在線任務(wù)調(diào)度方法的一個(gè)選擇。針對(duì)協(xié)同過濾任務(wù)調(diào)度算法的計(jì)算效率提升問題,本文研究了Map-Reduce編程模型下的大矩陣乘法并行化方法。通過矩陣乘法的定義發(fā)現(xiàn),矩陣乘法的計(jì)算部分是相互獨(dú)立的,可以并行計(jì)算。在設(shè)計(jì)基于MapReduce的內(nèi)積法時(shí),為了減小存儲(chǔ)空間開銷,采用了稀疏矩陣的存儲(chǔ)方法。由于map階段有大量的拷貝工作,導(dǎo)致計(jì)算效率降低,實(shí)驗(yàn)表明,該算法對(duì)稀疏矩陣的效果較好,對(duì)稠密矩陣的效果較差。并且當(dāng)矩陣規(guī)模擴(kuò)大時(shí),算法的執(zhí)行時(shí)間顯著增長(zhǎng),不適合于更大規(guī)模的矩陣運(yùn)算。MapReduce框架的分布式緩存可以將文件存儲(chǔ)在計(jì)算節(jié)點(diǎn)的緩存中,使得map函數(shù)和reduce函數(shù)在運(yùn)行時(shí)能夠讀取。本文根據(jù)這一特點(diǎn)設(shè)計(jì)了基于分布式緩存的矩陣乘法的算法,將右矩陣存儲(chǔ)在計(jì)算節(jié)點(diǎn)緩存中,在map階段只讀取并分發(fā)左矩陣的數(shù)據(jù),在reduce階段讀取右矩陣的數(shù)據(jù)并與接收到的左矩陣的數(shù)據(jù)計(jì)算最終結(jié)果。核算法與基于MapReduce的矩陣乘法相比算法復(fù)雜度大為降低,在map階段僅僅是分發(fā)左矩陣的數(shù)據(jù),沒有任何拷貝工作,因此shuffle階段網(wǎng)絡(luò)開銷不大。在reduce階段,兩種算法復(fù)雜度相同,計(jì)算時(shí)間開銷相當(dāng)。通過實(shí)驗(yàn)證明了該算法與基于MapReduce的矩陣乘法的計(jì)算效率的提高。并且矩陣的規(guī)模對(duì)該算法的執(zhí)行時(shí)間沒有影響,表明該算法具有更好的普適性。針對(duì)協(xié)同過濾任務(wù)調(diào)度算法的評(píng)分矩陣降維,研究了基于演化的多標(biāo)簽分類算法。K最近鄰結(jié)點(diǎn)(KNN)算法,對(duì)包容型數(shù)據(jù)的特征變量篩選尤其有效,且原理簡(jiǎn)單,實(shí)現(xiàn)起來比較方便,支持增量的學(xué)習(xí),能對(duì)超多變形的復(fù)雜決策空間建模,是多標(biāo)簽分類中常用的算法。KNN算法的核心原理是通過計(jì)算樣本之間的距離從而得出記錄的標(biāo)簽,而距離是通過記錄的屬性用合理地距離公式計(jì)算出來的,所以對(duì)屬性值的依賴性較高,而對(duì)于KNN分類算法來說,許多數(shù)據(jù)集中的特征(計(jì)算距離時(shí)是指屬性值)有冗余或是不相關(guān),這會(huì)導(dǎo)致距離計(jì)算的偏差,當(dāng)冗余度較高時(shí),偏差就會(huì)影響分類的準(zhǔn)確性。本文提出了一種基于PSO的特征加權(quán)KNN算法P SOKNN,該算法將KNN分類器的精確度計(jì)算當(dāng)做PSO算法的適應(yīng)函數(shù),并且把一個(gè)加權(quán)KNN的特征屬性的權(quán)值向量當(dāng)做PSO算法的一個(gè)微粒,隨機(jī)設(shè)定多個(gè)權(quán)值向量形成微粒群,再通過微粒速度與距離的變更,進(jìn)而找到一個(gè)適應(yīng)值最優(yōu)的微粒即權(quán)值向量。每個(gè)數(shù)據(jù)集都能產(chǎn)生一個(gè)最優(yōu)權(quán)值向量,因此KNN分類器針對(duì)每個(gè)數(shù)據(jù)集都能達(dá)到一個(gè)很高的分類精度即形成了一個(gè)精確度高的自適應(yīng)分類器。最后通過實(shí)驗(yàn)結(jié)果表明,PSOKNN算法在幾個(gè)經(jīng)典的分類數(shù)據(jù)測(cè)試集上都能表現(xiàn)出良好的效果。本文工作存在的不足之處在于(1)沒有對(duì)兩種啟發(fā)式算法做并行化研究。在云環(huán)境下將兩種啟發(fā)式算法并行化,應(yīng)該是提升其計(jì)算速度的有效方法。但由于演化算法本身是計(jì)算密集型,因此其并行化計(jì)算模型的研究也是目前研究的一個(gè)方向,但本文未在這上面做工作。另外,任務(wù)模型相對(duì)理想化,而實(shí)際的任務(wù)調(diào)度過程中,不一定能夠得到滿足任務(wù)模型定義的所有信息,也是制約著該算法的實(shí)用性的主要因素。(2)在協(xié)同過濾調(diào)度算法的評(píng)分模型有待改進(jìn)。在協(xié)同過濾調(diào)度算法的評(píng)分模型式3-5中,使用的是對(duì)各屬性分量評(píng)分的等權(quán)重加成的方法,沒有考慮不同分量在針對(duì)不同調(diào)度目標(biāo)時(shí)的傾向性影響,因此在推薦成功率上,仍有較大的改進(jìn)空間。另外,本文提出的協(xié)同過濾算法的評(píng)分機(jī)制,依然依賴于任務(wù)對(duì)資源的詳細(xì)需求,而在實(shí)際的調(diào)度過程中,這樣的需求并不一定能夠完全得到。因此如何利用現(xiàn)有可以得到的任務(wù)信息來實(shí)現(xiàn)有效推薦,在算法上仍有改進(jìn)空間。(3)矩陣乘法在MapReduce計(jì)算模型下的算法仍需要更多的改進(jìn)。對(duì)于內(nèi)積法,當(dāng)遇到稀疏矩陣的時(shí)候,存儲(chǔ)開銷較低,在map階段的拷貝工作時(shí)間開銷并不大,但是遇到稠密矩陣的時(shí)候,map階段的拷貝工作的計(jì)算時(shí)間開銷與矩陣規(guī)模成指數(shù)增長(zhǎng)。因此可以研究從減少拷貝工作的時(shí)問開銷入手,將拷貝工作分發(fā)到更多的計(jì)算節(jié)點(diǎn)上,增大拷貝工作的并行效率。而對(duì)于緩存法,map階段的主要工作僅僅是分發(fā)矩陣數(shù)據(jù),不同的計(jì)算節(jié)點(diǎn)可能具有不同的計(jì)算資源�？梢越Y(jié)合本文中的調(diào)度方法,使得map任務(wù)能夠最大化并行效率,避免出現(xiàn)map階段等待某一個(gè)map任務(wù)的情況發(fā)生,造成計(jì)算資源空閑。(4)基于演化的多標(biāo)簽分類算法的擴(kuò)展性還考慮不足。一方面,由于使用了啟發(fā)式算法對(duì)分類器進(jìn)行優(yōu)化,因此當(dāng)數(shù)據(jù)規(guī)模增大時(shí),其計(jì)算耗時(shí)也將迅速增加,可嘗試通過使用MapReduce技術(shù)來并行實(shí)現(xiàn)分類,縮短計(jì)算時(shí)間。另一方面,在驗(yàn)證算法時(shí)使用的模擬數(shù)據(jù)與實(shí)際發(fā)生的數(shù)據(jù)仍有較大差異,實(shí)際數(shù)據(jù)在數(shù)據(jù)的準(zhǔn)確性、完整性上不一定滿足算法中PSO部分的訓(xùn)練需求,在這方面本文沒有做考慮。任務(wù)調(diào)度的優(yōu)化對(duì)混合云上的計(jì)算效率具有關(guān)鍵作用。本文采用多標(biāo)簽分類理論和方法,針對(duì)混合云上的大規(guī)模異構(gòu)資源分類問題進(jìn)行了研究,分析了資源屬性間的關(guān)聯(lián)性,建立了異構(gòu)資源表示模型,設(shè)計(jì)了多屬性分類算法：采用在線推薦及分類匹配理論和方法,針對(duì)動(dòng)態(tài)任務(wù)的快速分發(fā)問題進(jìn)行了研究,分析了任務(wù)需求對(duì)分發(fā)策略的影響,建立了任務(wù)偏好及快速匹配模型,設(shè)計(jì)了基于任務(wù)特性的動(dòng)態(tài)任務(wù)分發(fā)算法；采用了多目標(biāo)優(yōu)化的理論和方法,針對(duì)多目標(biāo)任務(wù)調(diào)度問題進(jìn)行了研究,分析了任務(wù)需求對(duì)資源分配的影響,建立了多目標(biāo)任務(wù)調(diào)度優(yōu)化模型,設(shè)計(jì)了滿足混合云平臺(tái)的多目標(biāo)優(yōu)化算法。通過研究,在理論上揭示了異構(gòu)資源環(huán)境下多目標(biāo)任務(wù)調(diào)度的機(jī)理,闡明了資源分類、作業(yè)分發(fā)及調(diào)度優(yōu)化之間的內(nèi)在聯(lián)系,建立了大規(guī)�；旌显破脚_(tái)上多目標(biāo)的任務(wù)調(diào)度機(jī)制；在應(yīng)用上實(shí)現(xiàn)了對(duì)混合云平臺(tái)上動(dòng)態(tài)任務(wù)的快速有效分發(fā)。
【關(guān)鍵詞】：混合云 任務(wù)調(diào)度 多目標(biāo)優(yōu)化
【學(xué)位授予單位】：中國(guó)地質(zhì)大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位授予年份】：2015
【分類號(hào)】：TP301.6
【目錄】：

• 作者簡(jiǎn)介6-9
• 摘要9-13
• ABSTRACT13-22
• 第一章 緒論22-35
• §1.1 選題的目的和意義22-23
• §1.2 云上的調(diào)度策略及算法23-27
• 1.2.1 云上的調(diào)度策略23-25
• 1.2.2 云上的調(diào)度算法25-27
• §1.3 國(guó)內(nèi)外研究現(xiàn)狀27-31
• 1.3.1 面向任務(wù)的云資源分配方法27-29
• 1.3.2 任務(wù)調(diào)度方法29-31
• §1.4 任務(wù)調(diào)度面臨的挑戰(zhàn)31-32
• §1.5 研究?jī)?nèi)容32-33
• §1.6 論文的組織結(jié)構(gòu)33-35
• 第二章 基于差分演化的任務(wù)調(diào)度算法35-65
• §2.1 任務(wù)調(diào)度模型35-37
• §2.2 演化算法概述37-40
• 2.2.1 演化算法概述37-38
• 2.2.2 演化算法框架38-39
• 2.2.3 演化算法的基本特征39-40
• §2.3 差分演化算法40-44
• 2.3.1 差分演化算法簡(jiǎn)介40-43
• 2.3.2 差分演化算法研究情況43-44
• §2.4 改進(jìn)的jDE算法及其在混合云任務(wù)調(diào)度中的應(yīng)用44-48
• 2.4.1 jDE算法簡(jiǎn)介44-45
• 2.4.2 改進(jìn)jDE算法——GaDE45-48
• §2.5 基于非支配排序的改進(jìn)jDE算法48-55
• 2.5.1 多目標(biāo)演化算法概述48-50
• 2.5.2 NSGA_Ⅱ算法簡(jiǎn)介50-53
• 2.5.3 基于非支配排序的多目標(biāo)jDE算法——NSjDE53-55
• §2.6 實(shí)驗(yàn)結(jié)果與分析55-63
• 2.6.1 實(shí)驗(yàn)環(huán)境55
• 2.6.2 算法性能分析55-58
• 2.6.3 混合云任務(wù)調(diào)度結(jié)果分析58-63
• §2.7 本章小結(jié)63-65
• 第三章 基于協(xié)同過濾的在線調(diào)度算法65-79
• §3.1 影響混合云上任務(wù)執(zhí)行性能的因素65-66
• §3.2 個(gè)性化推薦技術(shù)66-68
• §3.3 基于協(xié)同過濾推薦的任務(wù)調(diào)度方法68-74
• 3.3.1 評(píng)價(jià)模型69-71
• 3.3.2 評(píng)分預(yù)測(cè)模型71
• 3.3.3 協(xié)同過濾推薦模型71-74
• §3.4 實(shí)驗(yàn)結(jié)果與分析74-78
• 3.4.1 實(shí)驗(yàn)環(huán)境74
• 3.4.2 算法驗(yàn)證74-78
• §3.5 本章小結(jié)78-79
• 第四章 矩陣乘法并行化研究79-97
• §4.1 矩陣的奇異值分解原理79-81
• 4.1.1 矩陣的奇異值79
• 4.1.2 矩陣的奇異值分解(SVD)79-80
• 4.1.3 奇異值分解的算法80-81
• §4.2 矩陣運(yùn)算的研究現(xiàn)狀81-82
• §4.3 矩陣乘法的實(shí)現(xiàn)82-85
• 4.3.1 矩陣乘法定義82-83
• 4.3.2 偽代碼及復(fù)雜度分析83
• 4.3.3 矩陣分塊83-85
• §4.4 MapReduce編程模型85-86
• 4.4.1 MapReduce編程模型概述85
• 4.4.2 數(shù)據(jù)分片85-86
• 4.4.3 數(shù)據(jù)流86
• §4.5 基于MapReduce的內(nèi)積法86-89
• 4.5.1 數(shù)據(jù)存儲(chǔ)86-87
• 4.5.2 計(jì)算模型87
• 4.5.3 偽代碼實(shí)現(xiàn)87-88
• 4.5.4 存在的問題88-89
• §4.6 基于分布式緩存的矩陣乘法研究89-91
• 4.6.1 分布式緩存技術(shù)89-90
• 4.6.2 基于分布式緩存的矩陣乘法90
• 4.6.3 性能分析90-91
• §4.7 實(shí)驗(yàn)結(jié)果與分析91-96
• 4.7.1 實(shí)驗(yàn)環(huán)境91
• 4.7.2 分片實(shí)驗(yàn)91-92
• 4.7.3 稀疏矩陣與稠密矩陣比較92-93
• 4.7.4 不同集群規(guī)模比較93-94
• 4.7.5 內(nèi)積法與緩存法比較94-95
• 4.7.6 稀疏矩陣和稠密矩陣比較95-96
• §4.8 本章小結(jié)96-97
• 第五章 基于演化的多標(biāo)簽分類方法97-117
• §5.1 多標(biāo)簽分類問題的研究現(xiàn)狀97-100
• §5.2 多標(biāo)簽分類方法的選擇100-102
• §5.3 粒子群優(yōu)化算法及其改進(jìn)102-105
• 5.3.1 粒子群優(yōu)化算法概述102-103
• 5.3.2 粒子群優(yōu)化算法的模型及流程103-105
• §5.4 基于粒子群算法的多標(biāo)簽分類算法105-114
• 5.4.1 PSO優(yōu)化部分的詳細(xì)設(shè)計(jì)106-108
• 5.4.2 KNN分類算法的詳細(xì)設(shè)計(jì)108-109
• 5.4.3 KNN算法中距離計(jì)算算法的選擇109-112
• 5.4.4 基于PSO的KNN分類算法112-114
• §5.5 實(shí)驗(yàn)結(jié)果與分析114-116
• 5.5.1 實(shí)驗(yàn)環(huán)境與流程114-115
• 5.5.2 實(shí)驗(yàn)結(jié)果與分析115-116
• §5.6 本章小結(jié)116-117
• 第六章 總結(jié)與展望117-120
• §6.1 工作總結(jié)117-119
• §6.2 展望119-120
• 致謝120-121
• 參考文獻(xiàn)121-129

【參考文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫 前4條

1 邢春曉;高鳳榮;戰(zhàn)思南;周立柱;;適應(yīng)用戶興趣變化的協(xié)同過濾推薦算法[J];計(jì)算機(jī)研究與發(fā)展;2007年02期

2 康立山，陳毓屏;演化計(jì)算[J];數(shù)值計(jì)算與計(jì)算機(jī)應(yīng)用;1995年03期

3 姚忠;魏佳;吳躍;;基于高維稀疏數(shù)據(jù)聚類的協(xié)同過濾推薦算法[J];信息系統(tǒng)學(xué)報(bào);2008年02期

4 蘇博;劉魯;楊方廷;;基于灰色關(guān)聯(lián)分析的神經(jīng)網(wǎng)絡(luò)模型[J];系統(tǒng)工程理論與實(shí)踐;2008年09期

中國(guó)博士學(xué)位論文全文數(shù)據(jù)庫 前2條

1 劉曉茜;云計(jì)算數(shù)據(jù)中心結(jié)構(gòu)及其調(diào)度機(jī)制研究[D];中國(guó)科學(xué)技術(shù)大學(xué);2011年

2 孫小華;協(xié)同過濾系統(tǒng)的稀疏性與冷啟動(dòng)問題研究[D];浙江大學(xué);2005年

中國(guó)碩士學(xué)位論文全文數(shù)據(jù)庫 前3條

1 唐犀;基于倉庫策略的虛擬化資源調(diào)度系統(tǒng)關(guān)鍵技術(shù)研究與實(shí)現(xiàn)[D];電子科技大學(xué);2011年

2 李鋒華;基于蟻群算法的云計(jì)算資源負(fù)載均衡調(diào)度算法研究[D];云南大學(xué);2013年

3 胡騰飛;服務(wù)搜索引擎中個(gè)性化服務(wù)推薦功能的設(shè)計(jì)與實(shí)現(xiàn)[D];北京郵電大學(xué);2013年

  本文關(guān)鍵詞：混合云平臺(tái)上多目標(biāo)任務(wù)調(diào)度算法研究，由筆耕文化傳播整理發(fā)布。

本文編號(hào)：435128