任務調(diào)度問題是云計算理論研究中的經(jīng)典問題,也是研究的熱點問題。任務調(diào)度的結(jié)果關(guān)系著云計算的服務質(zhì)量,影響著用戶的使用體驗。目前,采用啟發(fā)式優(yōu)化算法解決任務調(diào)度問題是研究的熱點,其中,粒子群算法在求解任務調(diào)度問題時表現(xiàn)優(yōu)異,本文將對粒子群算法優(yōu)化任務調(diào)度策略展開研究。傳統(tǒng)粒子群算法在求解云計算多目標任務調(diào)度時存在收斂過早、收斂精度低的缺陷。本文通過優(yōu)化傳統(tǒng)的粒子群算法進,提出一種改進的粒子群算法（BIPSO）,測試驗證得出算法性能優(yōu)越,將改進后的粒子群算法引入到云計算多目標任務調(diào)度中,提出了一種優(yōu)化粒子群算法的多目標任務調(diào)度策略（MOTS-PSO）。本文對粒子群算法的改進以及將改進后的算法應用到云計算任務調(diào)度中,并實現(xiàn)多目標任務調(diào)度優(yōu)化的總體工作內(nèi)容為:1.引入動態(tài)自適應慣性權(quán)重策略和動態(tài)學習因子策略,動態(tài)調(diào)節(jié)粒子的飛行步長,提高粒子的尋優(yōu)能力,避免算法尋優(yōu)后期陷入局部最優(yōu)解。2.引入花朵授粉算法概率更新機制,平衡粒子群算法的全局搜索和局部搜索,并優(yōu)化改進粒子的全局搜索位置更新公式,提高算法的收斂精度。3.引入螢火蟲算法產(chǎn)生“精英解”,結(jié)合“精英解”改進局部搜索位置更新公式,幫助算法跳出... 

【文章頁數(shù)】：66 頁

【學位級別】：碩士

【文章目錄】：
致謝
摘要
abstract
第一章 緒論
    1.1 課題來源
    1.2 背景及意義
    1.3 國內(nèi)外研究現(xiàn)狀
        1.3.1 云計算的研究現(xiàn)狀
        1.3.2 粒子群優(yōu)化算法研究現(xiàn)狀
    1.4 研究內(nèi)容
    1.5 本文組織結(jié)構(gòu)
第二章 云計算概述
    2.1 云計算概念
    2.2 云計算的特點
    2.3 云計算的服務類型
    2.4 云計算的體系結(jié)構(gòu)及關(guān)鍵技術(shù)
        2.4.1 云計算的體系結(jié)構(gòu)
        2.4.2 云計算關(guān)鍵技術(shù)
    2.5 本章小結(jié)
第三章 云計算任務調(diào)度
    3.1 任務調(diào)度的概念
    3.2 任務調(diào)度特點和目標
    3.3 經(jīng)典任務調(diào)度算法
        3.3.1 傳統(tǒng)的任務調(diào)度算法
        3.3.2 啟發(fā)式任務調(diào)度算法
    3.4 粒子群任務調(diào)度算法
        3.4.1 基本原理
        3.4.2 算法流程
        3.4.3 任務調(diào)度策略參數(shù)
    3.5 本章小結(jié)
第四章 粒子群算法任務調(diào)度策略的優(yōu)化改進
    4.1 任務調(diào)度策略的優(yōu)缺點
    4.2 任務調(diào)度策略的優(yōu)化改進
        4.2.1 自適應慣性權(quán)重改進策略
        4.2.2 動態(tài)學習因子改進策略
        4.2.3 花朵授粉算法的改進策略
        4.2.4 螢火蟲算法混合改進策略
        4.2.5 邊界處理改進策略
    4.3 仿真實驗與結(jié)果分析
        4.3.1 實驗環(huán)境與參數(shù)
        4.3.2 結(jié)果分析
    4.4 本章小結(jié)
第五章 基于改進粒子群算法的云計算多目標任務調(diào)度
    5.1 引言
    5.2 多目標任務調(diào)度的研究現(xiàn)狀
    5.3 多目標優(yōu)化問題的數(shù)學描述
        5.3.1 問題描述
        5.3.2 多目標任務調(diào)度數(shù)學模型
    5.4 多目標任務調(diào)度策略
    5.5 多目標任務調(diào)度適應度函數(shù)
    5.6 粒子編碼與任務調(diào)度策略部署流程
        5.6.1 粒子編碼
        5.6.2 任務調(diào)度策略部署流程
    5.7 仿真實驗與結(jié)果分析
        5.7.1 實驗環(huán)境與參數(shù)
        5.7.2 結(jié)果分析
    5.8 本章小結(jié)
第六章 總結(jié)與展望
    6.1 論文總結(jié)
    6.2 研究展望
參考文獻
攻讀碩士學位期間的學術(shù)活動及成果情況


【參考文獻】：
期刊論文
[1]一種動態(tài)調(diào)整慣性權(quán)重的混合粒子群算法[J]. 胡堂清,張旭秀,曹曉月.  電光與控制. 2020(06)
[2]基于禁忌搜索算法的廢棄家具回收車輛路徑優(yōu)化[J]. 龐燕,羅華麗,夏揚坤.  計算機集成制造系統(tǒng). 2020(05)
[3]一種多策略協(xié)同的多目標螢火蟲算法[J]. 謝承旺,張飛龍,陸建波,肖馳,龍廣林.  電子學報. 2019(11)
[4]基于改進差分進化算法的云計算任務調(diào)度策略[J]. 林濤,王昊,李鵬.  傳感器與微系統(tǒng). 2019(09)
[5]基于多QoS約束條件的廣域信息管理系統(tǒng)任務調(diào)度算法[J]. 李罡,吳志軍.  通信學報. 2019(07)
[6]引入多級擾動的混合型粒子群優(yōu)化算法[J]. 徐利鋒,黃祖勝,楊中柱,丁維龍.  軟件學報. 2019(06)
[7]虛擬化云計算平臺的能耗管理[J]. 陳續(xù)續(xù),柴功昊.  信息通信. 2019(03)
[8]一種改進的自適應慣性權(quán)重的粒子群算法[J]. 張曉莉,王秦飛,冀汶莉.  微電子學與計算機. 2019(03)
[9]基于指數(shù)衰減慣性權(quán)重的分裂粒子群優(yōu)化算法[J]. 王永貴,曲彤彤,李爽.  計算機應用研究. 2020(04)
[10]改進粒子群聯(lián)合禁忌搜索的特征選擇算法[J]. 張震,魏鵬,李玉峰,蘭巨龍,徐萍,陳博.  通信學報. 2018(12)

碩士論文
[1]云計算環(huán)境下任務調(diào)度算法的研究[D]. 鐘小康.江西理工大學 2018
[2]基于云計算的資源調(diào)度和負載均衡的研究[D]. 周斌斌.西南交通大學 2018
[3]基于改進遺傳算法的多目標云計算任務調(diào)度研究[D]. 陶煜.武漢大學 2018
[4]云數(shù)據(jù)中心虛擬機負載均衡部署問題研究[D]. 梅東暉.云南大學 2018



本文編號：3717182