一、蚂蚁算法扩展性及应用研究（论文文献综述）
贾林鹏,裴奇,王鑫,张瀚文,于雷,张珺,孙毅[1]（2022）在《链下通道路由算法综述》文中研究说明链下通道网络是实现区块链系统性能提升的有效手段,其中路由算法是保证链下通道网络长期高效、稳定运行的关键.提出了链下通道网络层次化架构及路由算法基础模型;从单路路由与多路路由两方面,系统梳理了代表性路由算法及其发展过程;从有效性、并发性、可扩展性、通道平衡、路由选择中心化、成本效益、隐私保护、吞吐量、处理延迟、成功率、搜索效率11个方面设计了链下通道路由算法评价体系,对代表性路由算法进行了对比分析,并探讨了未来研究趋势.
张炯[2]（2021）在《面向分布式的任务调度方法及并行优化方法研究》文中指出分布式计算已经被广泛应用于网络传输、数据处理等领域。随着分布式计算的普及,使得处理信息数据节省了大量的时间与空间,也让数据处理的计算效率远高于以往,而其中合理的任务调度与高效的数据处理方法是提高计算效率的重要关键。目前,任务调度设计方法在许多领域中主要包括基于分布式框架的任务调度算法、基于单一目标优化的传统任务调度算法以及基于多目标的智能化思想方法等。并行处理方法主要是基于分布式计算框架,通过集群管理的方式,来降低硬件所带来的成本。尽管大多数的任务调度方法和数据处理方法均取得不错的效果,但是在任务调度优化方面和视频数据串行顺序处理方面造成计算效率低的问题上,还是有待提高。本文主要基于并行化的思想,在解决任务调度优化问题和视频数据串行顺序处理而造成的计算效率低的问题上,分别使用改进蚁群优化算法和推测并行的视频解码调度方法,并通过对比实验进行验证。本文研究内容如下:（1）针对分布式计算技术中存在的任务调度优化问题和视频数据串行顺序处理造成计算效率低的问题,总结国内外的研究现状,通过分析不同技术和方法的优缺点,对解决两种问题提出相应的解决方案。（2）提出一种自适应参数控制的蚁群优化算法。在原算法的基础上,采用一种自适应参数控制的方法进行改进,并且采用并行化的虚拟集群的仿真工具CloudSim对改进蚁群优化算法进行模拟仿真。在计算规模相同的条件下进行实验,通过对比其它智能化思想算法的实验结果,验证改进的蚁群优化算法在解决任务调度问题上具有有效性和可扩展性。（3）基于视频解码调度对所提出的调度算法进行验证。在计算机集群环境中,通过该方法,将原本按照串行顺序排列的视频编码数据进行推测划分、检验,并且进行并行解码处理和结果合并。在计算规模相同的条件下,通过对比按照串行顺序解码的实验结果,验证推测并行的视频解码调度方法在解决数据因串行处理而造成效率低的问题上具有有效性、可靠性和可扩展性。
陆斌[3]（2021）在《基于蚁群算法的IBGP路由算法》文中进行了进一步梳理内部边界网关协议（Internal Border Gateway Protocol,IBGP）是互联网不可或缺的基础设施,若没有正确合理配置,很容易产生路由环路和次优路由。这些路由异常问题是非常有害的,它们会增加路由器的工作负荷,导致路由器的性能下降。因此解决上述IBGP路由异常问题是至关重要,但传统的解决方案要么配置复杂,要么消耗过多的资源。所以研究如何有效的解决IBGP路由异常的同时使得解决方案的成本较低,依旧是研究IBGP的重点问题之一。为此,在本文中我们提出了一种基于蚁群算法的IBGP路由模型,称为ARAI,它能够选择最优路由和消除路由环路,以及降低路由成本。具体来说,我们借助于蚁群算法中的信息素来综合评估链路质量从而可以确保选出最佳链路,然后在IBGP报文的UPDATE消息中添加一个Router-Path属性来防止路由环路。仿真结果表明,ARAI与Full Mesh相比减少了30%的数据包和93%的IBGP会话,从而使得消耗的成本更低。综上所述,本文的主要贡献可归纳如下:（1）链路质量的评估:我们提出了一种使用蚁群算法中的信息素来综合评估链路质量的方案,此方案能动态的反映链路质量的变化。（2）消除路由环路:我们设计了一种新的防止路由环路的机制,与现有的防止路由环路方案相比,它允许IBGP对等体之间互相学习新的路由。（3）降低成本:由于我们采取了新的防环机制和选取高质量的转发链路,从而减少了许多冗余的IBGP会话和数据包,使得开销减少。此模型只需要借助蚁群算法中的信息素和Router-Path参数就能从大量路由中选出最优路由且无路由环路,因此相比较传统方案来说,更容易配置和部署。
王裕健[4]（2021）在《云计算任务调度中改进的蚁群算法的研究》文中提出随着互联网技术的发展,互联网上的信息量每天都在爆发性的增长。如今云计算凭借其高可靠性、高可扩展性以及计费灵活等特点,在高效处理海量信息方面越来越受到人们的关注。云计算本质上是一种分布式计算,用户可以根据自已情况,随时随地按需获得服务。随着用户规模的不断扩大,云平台需要处理的任务也逐渐增多,因此当前研究的重点在于任务调度算法的设计和改进。蚁群算法（Ant Colony Optimization,ACO）是一种启发式全局优化算法,它是科学家们观察蚂蚁的觅食行为而受到启发提出来的。研究发现,蚂蚁在爬行过程中会释放出信息素,并且彼此之间可以借助信息素进行交流。在蚁穴通往食物源的全部路径中,如果一条路径较短,那么该路径单位时间内通过的蚂蚁数量较多,路径上残留的信息素浓度较高,从而对蚂蚁的吸引力较大,形成正反馈循环,最终所有蚂蚁都会选择这条较短路径。蚁群算法凭借其在寻找优化路径方面的良好表现,常被用于解决云计算任务调度问题。本文考虑到经典蚁群算法在系统负载均衡和任务执行效率等方面存在的一些局限性,针对性地在启发信息计算和信息素更新规则两个方面对其进行改进,引入了虚拟机评价因子和信息素修正系数,提出了一种改进后的蚁群算法（Improved Ant Colony Optimization,IACO）,然后在云仿真平台CloudSim上对其进行实验验证。在实验开始之前,本文对仿真实验平台CloudSim进行了详细的介绍。实验过程中,首先配置好运行环境,然后确定实验中需要的各个参数,并设置其他任务调度算法作为对照组。实验结果显示,改进后的蚁群算法在系统负载均衡和任务执行效率方面都有较好的提升,因而证明了本文算法的可行性。
唐澄澄[5]（2019）在《综合业务承载网的装箱算法》文中提出随着通信网络技术的发展,移动网络宽带化时代逐渐到来,移动业务类型从语音、数据等业务逐步转型为全IP形式,集团大客户的需求和带宽需求也同样在增长。集团大客户业务占据了电信运营商80%的利润,这使得集团客户成为了运营商竞争的重点,而集客业务作为电信运营商的主要盈利业务,对带宽、QoS需求和安全性的要求更高。传统的传输网络在承载移动网络业务时,由于其存在造价成本高、资源消耗大、带宽资源有限等问题,一定程度上限制了业务承载网的发展,为了适应新的业务需求,需要构建新型业务承载网络,由此,IPRAN网络应运而生。相较传统的传输网络而言,IPRAN网络灵活性强、易维护,主要用于承载3G、4G基站数据回传业务和集团客户的组网型业务,满足了移动业务对带宽的需求。IPRAN网络相较于传统网络,更具灵活性、复杂性和可扩展性,这也使得业务承载网在满足多接入、兼容、同步、扩展等需求的同时相应地带来了在故障处理方面的复杂度的提高,网络资源利用率有待提升。本文研究的重点,就是解决综合业务承载网中,当有新的网络业务需要装入时,出现的网络拥塞问题,也称作装箱问题。本文以IPRAN网络的集团客户业务为背景,对网络中出现的装箱问题,运用启发式算法进行解决,涉及到的算法主要包括蚁群算法、遗传算法和模拟退火算法,并基于传统蚁群算法,提出了改进方法,提升了算法的装箱效率。最后,本文以南京市某区域的集团客户网络业务为例,对改进的IPRAN网络装箱优化效率进行了实验分析,验证了装箱优化算法的有效性。
胡霞[6]（2019）在《基于DAG的多约束路由算法的研究》文中提出随着网络应用和探索的日益多样化,网络正被迫满足各种流量需求,并具有明确且关键的服务质量（Quality of Service,QoS）要求。QoS是网络通信的前提,而服务质量路由是保障QoS的重要部分之一,其在很大程度上直接影响着网络的性能。服务质量路由问题作为一种典型的多约束路由问题,主要是在多约束条件下找出源节点和目的节点之间的一条最优路径,该问题的解决需要依靠一种切实可行的路由算法来支持。本文根据现有多约束路由算法中的传统路由算法和基于蚁群算法的路由算法现状,提出了两种新的路由算法DAGDMCOP和DAGIACS。针对现有传统路由算法存在时间复杂度高、成功率低等缺点,借鉴有向无环图（Directed Acyclic Graph,DAG）思想和指标赋权法理论,提出了一种新的基于DAG和Dijkstra的多约束优化路由算法DAGDMCOP。该算法分两部分:（1）剪枝策略。求出源节点到其余节点的满足多约束要求的全部路径,将网络拓扑图简化为DAG图。（2）搜索策略。引入链路综合代价函数,使用指标赋权法中的G1法和标准离差法以及拓扑图中的邻居节点集对多约束条件（带宽、时延、时延抖动、费用等QoS度量参数）进行自适应权重调整,然后利用Dijkstra算法在剪枝之后的DAG图上寻找满足多约束要求的最优路径。大量实验数据表明该算法能快速找到满足多约束要求的最优路径,有着较低的时间复杂度和较高的成功率。该算法简单易扩展,适用于较大规模的多约束路由网络,是一种解决多约束路由问题的高效的新算法。在上述算法的基础上,对DAGDMCOP算法中的搜索策略使用蚁群系统（Ant Colony System,ACS）进行研究。针对基于蚁群算法的路由算法以及ACS算法存在的收敛速度慢、易陷入局部最优等问题,对ACS算法进行改进:将不可到达目的节点的中间节点的相连链路全部剪枝,避免蚂蚁对无效链路再次访问,缩小全局搜索范围;利用全局最优路径、迭代最优路径以及迭代最差路径三者之间的关系动态调整全局信息素更新规则,加快算法的收敛速度;给网络拓扑图中的每条链路增加一个代表蚂蚁访问链路状况的参数,并使用该参数以及多种选择策略共同对状态转移规则进行调整,扩大局部搜索范围,改善局部最优问题。将DAGDMCOP算法的剪枝策略和改进ACS算法进行融合,提出了一种基于DAG和改进ACS的多约束优化路由算法DAGIACS。大量实验数据表明该算法能够缩小全局搜索范围同时扩大局部搜索范围,有着较好地收敛速度和寻优能力,并且成功率也更高一些。另外,该算法对网络规模以及约束条件也有一定的扩展性。
曹洪运[7]（2019）在《SDN控制平面中负载均衡的迁移优化研究》文中认为随着网络用户规模和数据规模的日益增长,如今的传统网络已经不堪重负,急剧增长的网络设备已经无法使用简单的修补可以完成,这样不但加剧了网络设备的复杂性和数据冗余,而且会限制网络规模的增长。新型SDN网络架构是将数据平面和控制平面相分离,打破了增加网络规模时必须修补网络的局限性,但同时也出现了新的负载均衡问题。针对新的负载均衡问题,通常的解决方法是利用OpenFlow协议中多控制器可以通过改变交换机主从控制器角色的方式,当控制器过载时,把过载控制器下一部分交换机,通过改变主从控制器角色的方式,迁移到其他的轻载控制器,从而达到负载均衡的效果。但是如果有多个控制器同时迁移至一个控制器,就可能导致目标控制器继续过载,尤其是在网络流量较大,多台控制器同时过载的时候,就会很难快速高效的达到负载均衡。所以,如何采用更好的迁移方式和迁移算法,提高迁移效率成为当前SDN交换机负载均衡中的一个必须要解决的问题,也是SDN控制平面负载均衡的研究重要方向之一。针对以上问题,论文的研究主要有如下两个方面:1)通过对现有交换机迁移环境进行分析研究,当前RYU控制器没有统一的多控制器交换协议,所以交换机迁移过程中搭建的三层架构多控制器控制系统,通过Zookeeper实现多控制器分布式管理,并在Zookeeper中实现交换机迁移选择算法,对多控制器下的交换机迁移过程进行优化,提高多控制器系统的整体稳定性,为后续的交换机迁移算法的性能测试与仿真提供可靠的仿真实验环境。2)通过对现有交换机迁移算法进行分析研究,提出改进的交换机迁移算法,通过蚁群算法和遗传算法的优势融合,并对融合算法在交换机迁移过程进行优化,采用提前剪枝限制等操作,提高算法效率,最终应用于多控制器下的交换机迁移,提高多控制器下交换机迁移的效率和稳定性,并使用RYU控制器对其性能和其他算法进行了对比仿真分析。
王志浩[8]（2018）在《基于云计算的综合运维管理平台关键技术研究》文中研究说明近年来,互联网信息技术、SOA等日益成熟,在实践领域得到了日益广泛的的应用,在当前的国际研究领域,立足服务理念的新一代云计算技术已然成为了专家们的研究热点。毫无疑问,云计算的快速发展,使得信息技术更加专业化、智能化、集约化,在云计算的推动下,使得多条信息技术产业链之间的联系日益紧密,资源聚合效应日益突出,进一步促进了协同工作、信息共享,为步入面向服务的计算时代提供了新的思路。针对目前网络运维管理系统存在的“信息孤岛”及管理系统功能缺乏灵活性的问题,提出了基于云计算的综合运维管理框架,该框架充分吸收虚拟化和面向服务架构的思想,将运维管理功能封装为松耦合的服务,打通原有各系统间的壁垒,实现管理互通。针对基于云计算的分布式运维服务选择、基于Hadoop平台的运维数据分类、基于Hadoop平台的运维数据聚类等方面存在的不足,分别从以下方面展开研究:为了处理云的随机性所造成的不可预测性的情况,我们提出了一种基于学习方法的在线算法。本文重点考虑了用户基于历史经验进行服务选择的个体性和动态性,提出了在线服务选择框架,通过研究分布式选择策略取得全面的服务性能保证。本文提出了基于机器学习的服务选择策略Exp3.C,引导云计算系统在博弈中达到纳什均衡。本研究表明在一个复杂环境中云端用户可能是不理性的,服务提供者提供的资源也是随时可变的,用户的收益仍能够确保达到的时间复杂度。最后,通过仿真证明了这个算法的稳定性,可以根据用户的敏感程度提高用户满意度并保障服务质量。针对SPRINT算法存在问题,对其中最佳分割点的计算方法进行了改进,提出可通过两种新的数据结构,即类型划分表以及合并化分区表,使得运算过程更加精简,使得不必要的运算能够得以减少,以减少候选节点数目,通过这种方式使得构造决策树所需时间得以缩短,使得算法性能得以优化。面对海量数据信息,考虑到在对其进行分类处理时的需求,综合云计算以及数据分类技术,提出基于Hadoop平台的数据分类实现模型。从模型的需求分析、模型构成等角度入手使得数据分析与Hadoop实现了有效融合,并且重点优化改进了SPRINT算法的具体实现,具体来讲主要是从排序并行化、节点并行化、属性并行化等方面实施优化,以保证改进后的算法可适应于Hadoop平台。针对蚁群聚类算法前期收敛速度缓慢的缺点,引入了数据预处理原则,通过K-means算法对数据进行预处理,降低了算法的时间代价。引入K-means算法的改进算法MMK-means算法,克服了K-means算法原有的部分缺点,使聚类效果更优秀。将两种改进的算法进行结合,提出基于MMK-means与优化蚁群聚类的混合聚类算法。通过仿真实验验证了提出算法的可行性和有效性。针对信息服务设施重复建设、服务体系“烟囱”林立、维护保障难度较大、信息共享使用比较困难等诸多问题,提出一套在云计算环境下的统一网络管理框架。首先,对面向任务的云计算服务及数据资源管理体系结构进行了研究,并对其组成部分进行了介绍。其次,对基于管理代理的云计算网络资源监控技术进行设计,并对其运行机制进行了阐述。最后,对面向任务的自适应云计算网络规划调度技术进行介绍,对其需求的资源视图和描述方法进行分析,提出了一种基于层次分析法的虚拟机网络规划方法。
宋涛[9]（2018）在《数据中心的网络调度与应用研究》文中研究表明云计算时代的来临使得传统资源专用模式的数据中心演变成新型资源共享模式的数据中心。一方面,数据中心网络结构从传统的层次化树状结构演变成了新型的扁平化对称结构,网络流量从“南北”流量为主演变成“东西”流量为主。因此,传统的数据中心网络调度机制已经不适应云计算数据中心的网络结构和流量模式。另一方面,资源共享模式的出现使得原有的数据中心应用已经不适用于云计算数据中心,新型的云计算数据中心应用开始大量涌现。本文将主要聚焦于云计算数据中心的网络调度和新型应用研究两大主线,完成了以下三个方面的研究:1.数据中心网络流族调度当前的数据中心网络调度研究常常以流为粒度进行调度,但是这种调度方式在对当前数据中心中大量出现的并行计算框架产生的数据流进行调度时表现并不理想,因为它忽视了这些并行的数据流之间存在的语义相关性,最终的调度结果并不能满足它们期望实现的效果。以流族为粒度的调度方法研究正是着眼于解决这类问题。本文设计了一个集中式的实时动态流族调度系统Seagull++,它着眼于减小平均流族完成时间和提升满足Deadline流族数目两个流族调度主要目标,通过实现流族信息获取模块和网络瓶颈探测模块,结合启发式调度算法,很好的实现了流族的实时动态调度,达到了期望的性能。小规模的真实测试平台实验和大规模仿真实验均证明了Seagull++系统在降低平均流族完成时间和提升满足Deadline流族数目上取得了良好的效果。2.数据中心应用——多租户远程虚拟系统计算机技术的迅猛发展,使得大众对计算资源的需求不断增加,人们通过不断升级个人计算设备以满足这种需求,随之带来了高昂的成本开销和硬件资源的浪费。虚拟化技术的诞生和云计算的发展与成熟为这一问题的解决带来一种行之有效的解决思路:通过远程连接到云计算数据中心中虚拟资源的方式,实现现有个人计算设备共享和复用数据中心中的硬件资源。但是,现实中个人计算设备多种多样（包括个人电脑,智能手机,可穿戴设备等等）,如果为每一类设备都设计和实现一种专有的远程虚拟系统则会带来标准混乱,兼容性差,难于维护等各种问题。本文着力于搭建一种通用的多租户远程虚拟系统,它在云计算数据中心与个人计算设备之间架起必要的桥梁。该系统的主要贡献包括:一方面,这是一种通用的系统框架,通过模块化的资源适配,即可实现特定的虚拟系统。通过远程虚拟系统,个人计算设备只需要安装简单的应用程序,便可以直接使用远程数据中心的计算资源,达到降低个人计算设备性能要求,保护了个人敏感数据安全,易于集中管理与部署等目的。另一方面,系统设计了一种基于改进蚁群算法的虚拟计算单元的放置算法来满足多租户同时使用的需求,可以充分利用数据中心的硬件资源,避免浪费。为了验证系统的通用性,本文还分别针对两种不同类型的个人计算设备,即个人电脑和智能手机,构建了实例应用展示。在这两种不同类型设备使用的场景下,进行了大量的基准性能测试与用户体验测试。测试结果表明,本文提出的通用多租户远程虚拟系统,一方面,可以充分发挥数据中心的计算能力,避免硬件资源浪费,并且具有良好的可扩展性;另一方面,完全适用于低配置的客户端计算设备,也为终端用户带了良好的用户体验,比如高质量低延迟的视频显示,较低的电池消耗等等。3.数据中心应用——异构分布式深度神经网络基于深度神经网络的智能应用通常是部署于数据中心中高性能服务器上,相关研究主要关注如何提升深度神经网络性能。由于数据中心的高性能服务器通常以集群的方式存在,因此分布式的深度神经网络也成为了提升深度神经网络的重要方法之一。但是,这类分布式深度神经网络只是限于数据中心内部的同构服务器上采用,忽视了深度神经网络的数据来源采集者——搭载各类数据传感器的终端结点。这种忽视造成了一种研究方向的盲点,层次化的异构型分布式深度神经网络少有人研究。针对此研究盲点,本文提出了一种新型的层次化异构分布式深度神经网络框架HDDNN。它是一种以数据中心为核心,结合人工智能,云计算,物联网,普适计算概念于一体的新型智能应用。HDDNN框架通过将云结点,边缘结点和终端结点连接起来形成层次化的架构,并结合每类结点的特性和能力,最终设计和实现了分布式计算结点异构,分布式神经网络异构,分布式系统任务异构的新型数据中心应用。大量的实验论证了HDDNN框架具有更短的响应时间,高的准确性,更好的硬件利用率,高扩展性,使能隐私保护,使能容错性等特性。
王鹏[10]（2018）在《容器云环境中基于信任的调度算法的研究》文中认为随着用户对云服务的数据处理能力的要求逐渐提高,传统的云服务在应用的快速发布以及资源的高效调配等问题上已经不能很好满足用户服务需求,所以容器及服务模式应时而生,并且经过短短几年的发展,已经被广泛应用到学术、商业等领域中。容器是以操作系统为基础的虚拟化服务平台,其能够有效的解决应用程序间的独立性与资源共享等问题。与传统的云平台相比,容器云平台在其应用上更加灵活,即用户和云服务供应商可灵活动态的对资源进行分配调度。容器云平台的任务调度服务理念是根据用户不同服务需求对其分配合理可用的资源来保障用户任务的有效执行。其中,容器云服务平台的调度重点考虑的是如何把云用户所要求的服务资源快速高效的提供给用户。由于不同云服务平台所实现的技术和安全机制各不相同,这无疑对容器云实现跨平台部署应用程序提出更高要求。在这种安全情形下,云任务调度中对信任的研究将作为重点内容。使其在安全及可靠性上为平台的研究发展提供有利支撑。因此,本文重点研究了容器云平台上的基于信任的任务调度方法。为了保障容器云在跨平台部署应用程序的安全性能,本文将服务质量（QoS）中的可靠性参数及其他参数与信任进行有效融合,构建出一种基于容器云平台的信任管理模型。通过这些属性参数的引入来保障用户所使用的云服务资源的安全性,同时也能够满足用户的各类服务需求。该信任模型能够有效加强云服务资源节点的安全性,使云用户更加放心的使用云服务。在调度算法的设计上,虽然粒子群算法（PSO）在应用实现上相对简单而且在寻找最优解的收敛速度上也具有优异的性能,但在后期的寻解中极易陷入局部最优。因此,本文通过引入蚁群算法（ACO）来接替PSO算法的后期寻解搜索,进而提出PSO-ACO算法。在ACO算法的信息素更新时,为避免信息素浓度太弱,寻找最优路径不佳的情形,本文通过引入强者生存的原则来进行信息素的更新,这样就能有效避免陷入局部最优及寻优能力差的危险。最后,通过ContainerCloudSim容器云仿真软件来验证本文提出的算法的有效性,实验结果显示PSO-ACO算法可以有效地满足用户对云服务质量上的可靠性要求。并对优化后的两种基本算法进行实验结果对比,结果表明本文提出的算法能够在任务调度及服务质量上有所改善。
二、蚂蚁算法扩展性及应用研究（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、蚂蚁算法扩展性及应用研究（论文提纲范文）
（2）面向分布式的任务调度方法及并行优化方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景和研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 任务调度方法 |
| 1.2.2 视频解码方法 |
| 1.3 主要研究内容 |
| 1.4 本文章节安排 |
| 2 理论及技术 |
| 2.1 蚁群算法 |
| 2.1.1 算法原理 |
| 2.1.2 数学模型 |
| 2.1.3 算法实现 |
| 2.2 AVS标准 |
| 2.3 并行计算 |
| 2.4 推测并行算法 |
| 2.4.1 执行模型 |
| 2.4.2 任务划分 |
| 2.4.3 并行执行 |
| 2.4.4 结果处理 |
| 2.4.5 算法应用 |
| 2.5 本章小结 |
| 3 基于改进蚁群优化算法的任务调度方法 |
| 3.1 任务调度 |
| 3.1.1 问题定义 |
| 3.1.2 模型定义 |
| 3.2 算法设计思路 |
| 3.3 算法的改进与实现 |
| 3.3.1 算法改进 |
| 3.3.2 算法实现 |
| 3.4 实验结果分析 |
| 3.4.1 实验环境 |
| 3.4.2 有效性测试分析 |
| 3.4.3 可扩展性测试分析 |
| 3.5 本章小结 |
| 4 基于推测并行的视频解码调度方法 |
| 4.1 方法设计 |
| 4.1.1 推测划分 |
| 4.1.2 划分检验 |
| 4.1.3 并行处理 |
| 4.1.4 结果合并 |
| 4.2 方法实现 |
| 4.3 实验结果分析 |
| 4.3.1 性能测试分析 |
| 4.3.2 可靠性测试分析 |
| 4.3.3 可扩展性测试分析 |
| 4.4 本章小结 |
| 5 总结与展望 |
| 5.1 本文总结 |
| 5.2 工作展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间主要研究成果 |
（3）基于蚁群算法的IBGP路由算法（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 研究现状 |
| 1.2.1 IBGP路由优化研究现状 |
| 1.2.2 蚁群算法研究现状 |
| 1.3 论文的主要工作 |
| 1.4 论文结构 |
| 第二章 边界网关协议相关知识 |
| 2.1 边界网关协议 |
| 2.1.1 IBGP特性 |
| 2.1.2 IBGP的报文 |
| 2.1.3 IBGP状态机 |
| 2.1.4 IBGP的属性 |
| 2.1.5 IBGP路由通告原则 |
| 2.1.6 IBGP路由信息处理原则 |
| 2.1.7 IBGP协议的路由选路原则 |
| 2.2 IBGP路由方案 |
| 2.2.1 Full Mesh |
| 2.2.2 路由反射器 |
| 2.2.3 BGP联盟 |
| 2.3 本章小结 |
| 第三章 蚁群算法介绍 |
| 3.1 蚁群算法原理 |
| 3.2 蚁群算法应用于旅行商问题 |
| 3.3 本章小结 |
| 第四章 基于蚁群算法的IBGP路由算法 |
| 4.1 问题描述 |
| 4.1.1 路由环路问题 |
| 4.1.2 次优路由问题 |
| 4.1.3 路由抖动问题 |
| 4.2 系统模型 |
| 4.3 设计目标 |
| 4.4 详细设计 |
| 4.4.1 路由环路 |
| 4.4.2 路由算法 |
| 4.5 ARAI流程图和算法实现 |
| 4.5.1 ARAI流程图 |
| 4.5.2 算法伪代码描述 |
| 4.6 本章小结 |
| 第五章 性能评估 |
| 5.1 实验平台介绍 |
| 5.2 实验设置 |
| 5.3 实验结果分析 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 6.3 主要创新点 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的学术论文 |
（4）云计算任务调度中改进的蚁群算法的研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.3 论文研究内容 |
| 1.4 论文组织结构 |
| 第2章 云计算任务调度研究 |
| 2.1 云计算概述 |
| 2.1.1 云计算定义 |
| 2.1.2 云计算特点 |
| 2.1.3 云计算体系结构 |
| 2.1.4 云计算关键技术 |
| 2.1.5 云计算平台研究 |
| 2.2 任务调度研究 |
| 2.2.1 云计算任务调度概念 |
| 2.2.2 云计算任务调度特点 |
| 2.2.3 任务调度目标 |
| 2.2.4 任务分类 |
| 2.2.5 任务调度模型 |
| 2.2.6 调度算法研究 |
| 2.3 本章小结 |
| 第3章 基于改进蚁群算法的云计算任务调度 |
| 3.1 蚁群算法 |
| 3.1.1 蚁群算法的基本原理 |
| 3.1.2 蚁群算法的数学模型 |
| 3.1.3 蚁群算法的流程 |
| 3.1.4 蚁群算法的优缺点 |
| 3.1.5 基于蚁群算法相关工作的研究 |
| 3.2 基于蚁群算法的改进 |
| 3.2.1 蚁群算法的改进策略 |
| 3.2.2 虚拟机评价因子 |
| 3.2.3 信息素修正系数 |
| 3.3 改进后的蚁群算法 |
| 3.3.1 算法的流程 |
| 3.3.2 算法的伪代码 |
| 3.4 改进后的蚁群算法的参数选择 |
| 3.4.1 理论分析 |
| 3.4.2 实验过程及结果 |
| 3.5 本章小结 |
| 第4章 仿真实验与结果分析 |
| 4.1 CloudSim仿真平台介绍 |
| 4.1.1 功能与特点 |
| 4.1.2 体系架构 |
| 4.1.3 核心类 |
| 4.1.4 CloudSim仿真流程 |
| 4.2 仿真实验 |
| 4.2.1 环境配置 |
| 4.2.2 参数设置 |
| 4.2.3 任务预处理 |
| 4.3 实验结果与分析 |
| 4.4 其他评价函数 |
| 4.4.1 总体效用评价函数 |
| 4.4.2 适应度评估 |
| 4.5 本章小结 |
| 第5章 结论与展望 |
| 5.1 本文工作总结 |
| 5.2 未来研究展望 |
| 参考文献 |
| 攻读硕士学位期间发表的论文及其它成果 |
| 致谢 |
（5）综合业务承载网的装箱算法（论文提纲范文）
| 摘要 |
| Abstract |
| 专用术语注释表 |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 课题的研究价值 |
| 1.2.1 研究意义 |
| 1.2.2 国内外研究现状 |
| 1.3 研究内容 |
| 1.4 论文结构 |
| 第二章 相关背景知识介绍 |
| 2.1 网络背景介绍 |
| 2.1.1 综合业务承载网 |
| 2.1.2 传输网 |
| 2.1.3 IPRAN网络结构 |
| 2.1.4 IPRAN相关技术 |
| 2.2 集团客户专线业务 |
| 2.2.1 集团客户业务 |
| 2.2.2 集团客户专线业务的主流接入技术 |
| 2.2.3 集团客户专线的端到端优化问题 |
| 2.3 综合业务承载网的优化目标 |
| 2.4 本章小结 |
| 第三章 综合业务承载网的装箱问题 |
| 3.1 装箱问题介绍 |
| 3.1.1 网络拥塞 |
| 3.1.2 装箱问题 |
| 3.2 数学模型 |
| 3.3 解决思路 |
| 3.4 本章小结 |
| 第四章 综合业务承载网的装箱算法 |
| 4.1 几种典型的启发式算法 |
| 4.1.1 蚁群算法 |
| 4.1.2 遗传算法 |
| 4.1.3 模拟退火算法 |
| 4.2 标准蚁群算法 |
| 4.2.1 优化思路 |
| 4.2.2 算法流程 |
| 4.2.3 存在的问题 |
| 4.3 混合蚁群算法 |
| 4.3.1 算法模型 |
| 4.3.2 实现过程 |
| 4.4 本章小结 |
| 第五章 集客专线网络业务优化实验 |
| 5.1 集客专线网络业务实例 |
| 5.2 蚁群算法参数的选取 |
| 5.3 混合蚁群算法的实现 |
| 5.4 几种启发式算法的比较 |
| 5.4.1 蚁群算法的特点 |
| 5.4.2 遗传算法特点 |
| 5.4.3 模拟退火算法的特点 |
| 5.4.4 算法结果及分析 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 研究总结 |
| 6.2 未来展望 |
| 参考文献 |
| 附录1 攻读硕士学位期间撰写的论文 |
| 附录2 攻读硕士学位期间参加的科研项目 |
| 致谢 |
（6）基于DAG的多约束路由算法的研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号对照表 |
| 缩略语对照表 |
| 第一章 绪论 |
| 1.1 课题研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.3 课题来源以及本文的主要工作 |
| 1.3.1 课题来源 |
| 1.3.2 本文的主要工作 |
| 1.4 论文的组织结构 |
| 第二章 理论知识和技术介绍 |
| 2.1 QoS度量参数 |
| 2.2 网络模型以及数学描述 |
| 2.3 DAG |
| 2.4 权重的相关赋权方法 |
| 2.4.1 G1法 |
| 2.4.2 标准离差法 |
| 2.4.3 乘法集成法 |
| 2.5 蚁群算法 |
| 2.5.1 蚁群算法的基本原理 |
| 2.5.2 ACS算法 |
| 2.5.3 ACS算法的步骤以及流程图 |
| 2.5.4 ACS算法中的参数 |
| 2.6 本章小结 |
| 第三章 基于DAG和 Dijkstra的多约束优化路由算法DAG_DMCOP |
| 3.1 算法的设计思路 |
| 3.2 算法的具体执行步骤 |
| 3.3 算法的时间复杂度分析 |
| 3.4 仿真实验的设计与实现 |
| 3.4.1 仿真环境以及仿真数据的设置 |
| 3.4.2 实验过程 |
| 3.4.3 实验结果分析总结 |
| 3.5 本章小结 |
| 第四章 基于DAG和改进ACS的多约束优化路由算法DAG_IACS |
| 4.1 算法的设计思路 |
| 4.2 算法的具体执行步骤 |
| 4.3 算法的性能分析 |
| 4.4 仿真实验的设计与实现 |
| 4.4.1 仿真环境以及仿真数据的设置 |
| 4.4.2 实验过程 |
| 4.4.3 实验结果分析总结 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 研究工作总结 |
| 5.2 未来工作展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（7）SDN控制平面中负载均衡的迁移优化研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.3 本文研究内容和研究重点 |
| 1.4 本文结构安排 |
| 2 相关概念和背景技术 |
| 2.1 SDN相关概述 |
| 2.1.1 SDN技术 |
| 2.1.2 OpenFlow技术 |
| 2.1.3 数据平面和控制平面 |
| 2.1.4 SDN仿真模拟技术 |
| 2.2 多控制器负载均衡相关概念 |
| 2.2.1 Ryu控制器 |
| 2.2.2 Open vSwitch关键技术 |
| 2.2.3 Zookeeper分布式协调技术 |
| 2.3 迁移优化算法概述 |
| 2.3.1 蚁群算法 |
| 2.3.2 遗传算法 |
| 2.4 本章小结 |
| 3 基于Zookeeper的迁移环境实现 |
| 3.1 多控制器迁移架构概述 |
| 3.2 迁移环境的整体设计 |
| 3.2.1 系统整体架构设计 |
| 3.2.2 Zookeeper数据模型 |
| 3.2.3 全局拓扑信息获取 |
| 3.2.4 Zookeeper选举机制 |
| 3.3 迁移环境性能测试 |
| 3.3.1 控制器选举延时 |
| 3.3.2 全局拓扑获取时间 |
| 3.4 本章小结 |
| 4 基于改进蚁群的交换机迁移算法 |
| 4.1 迁移算法负载均衡策略 |
| 4.1.1 迁移时机的选择 |
| 4.1.2 交换机的选择 |
| 4.1.3 目标控制器的选择 |
| 4.2 改进的蚁群迁移算法 |
| 4.2.1 算法设计与实现 |
| 4.2.2 改进的蚁群算法参数选取 |
| 4.3 仿真实验与性能分析 |
| 4.3.1 仿真环境的搭建 |
| 4.3.2 控制器资源利用率对比 |
| 4.3.3 响应时延对比 |
| 4.3.4 迁移时间对比 |
| 4.4 本章小结 |
| 5 总结与展望 |
| 5.1 本文工作总结 |
| 5.2 本文工作展望 |
| 参考文献 |
| 攻读硕士学位期间发表的论文 |
| 致谢 |
（8）基于云计算的综合运维管理平台关键技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题背景及研究的目的和意义 |
| 1.1.1 课题来源及背景 |
| 1.1.2 课题研究目的及意义 |
| 1.2 国内外研究现状 |
| 1.2.0 综合运维管理体系研究现状 |
| 1.2.1 云计算技术现状 |
| 1.2.2 Hadoop技术研究现状 |
| 1.2.3 分类聚类算法的研究历史及现状 |
| 1.3 本文的主要研究工作 |
| 1.4 本文的内容安排 |
| 第二章 基于云计算的综合运维管理平台 |
| 2.1 引言 |
| 2.2 面向任务的综合运维管理体系结构研究 |
| 2.2.1 综合运维控制器 |
| 2.2.2 网络控制器 |
| 2.2.3 集群控制器和节点控制器 |
| 2.2.4 面向任务多目标需求的自适应虚拟机部署 |
| 2.3 基于管理代理的云计算网络资源监控技术 |
| 2.3.1 基于管理代理的云计算网络资源监控系统设计 |
| 2.3.2 虚拟机网络监控软件模型选择 |
| 2.3.3 基于管理代理的网络资源监控技术 |
| 2.4 面向任务的自适应云计算网络规划调度技术 |
| 2.4.1 面向任务多目标需求的资源视图及描述方法 |
| 2.4.2 基于层次分析法的虚拟机网络规划技术 |
| 2.4.3 基于负载特征值的综合负载优化调度技术 |
| 2.5 本章小结 |
| 第三章 基于云计算的分布式运维服务选择算法 |
| 3.1 引言 |
| 3.2 云服务选择 |
| 3.3 基于在线学习的服务选择策略 |
| 3.3.1 系统模型及公式推导 |
| 3.3.2 云服务选择算法的在线学习策略 |
| 3.4 仿真及结论 |
| 3.5 本章小结 |
| 第四章 基于Hadoop平台的运维数据分类算法 |
| 4.1 引言 |
| 4.2 基于Hadoop平台的改进SPRINT算法 |
| 4.2.1 SPRINT算法改进 |
| 4.2.2 SPRINT算法的并行策略 |
| 4.3 基于Hadoop平台的数据分类实现 |
| 4.4 仿真及结论 |
| 4.5 本章小结 |
| 第五章 基于Hadoop平台的运维数据聚类算法 |
| 5.1 引言 |
| 5.2 基于Hadoop平台的MMK-means算法 |
| 5.2.1 基于K-means的 MMK-means算法 |
| 5.2.2 基于Hadoop的 MMK-means算法实现 |
| 5.3 基于Hadoop平台的蚁群聚类算法 |
| 5.3.1 改进人工蚂蚁前期的盲目性策略 |
| 5.3.2 改进数据对象的放置策略 |
| 5.3.3 增加离散的数据对象处理策略 |
| 5.3.4 改进短期记忆的最佳匹配 |
| 5.3.5 并行改进的蚁群算法 |
| 5.5 仿真及结论 |
| 5.6 本章小结 |
| 第六章 结束语 |
| 参考文献 |
| 致谢 |
| 在学期间发表的学术论文及取得的研究成果 |
（9）数据中心的网络调度与应用研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 云计算和数据中心 |
| 1.2 数据中心的网络调度 |
| 1.3 数据中心的应用研究——远程虚拟系统 |
| 1.3.1 远程虚拟桌面系统 |
| 1.3.2 远程虚拟智能手机系统 |
| 1.4 数据中心的应用研究——分布式深度神经网络框架 |
| 1.5 本文的主要贡献 |
| 1.6 本文的组织结构 |
| 第二章 数据中心的网络流族调度 |
| 2.1 引论 |
| 2.2 相关背景研究 |
| 2.2.1 虚拟巨型交换机 |
| 2.2.2 流族的饿死 |
| 2.2.3 流族通信方式分类 |
| 2.2.4 经典流族调度算法 |
| 2.3 问题描述和分析 |
| 2.3.1 示例一:发送端瓶颈 |
| 2.3.2 示例二:接收端瓶颈 |
| 2.3.3 流族大小分布 |
| 2.4 系统设计和实现 |
| 2.4.1 系统架构 |
| 2.4.2 流族API |
| 2.4.3 流族信息获取模块 |
| 2.4.4 分布式网络瓶颈检测模块 |
| 2.5 流族调度算法 |
| 2.5.1 期望特性 |
| 2.5.2 算法描述 |
| 2.5.3 期望特性实现 |
| 2.6 实验评测及分析 |
| 2.6.1 真实实验 |
| 2.6.2 仿真实验 |
| 2.7 本章小结 |
| 2.7.1 延伸工作 |
| 第三章 数据中心应用——多租户远程虚拟系统 |
| 3.1 引论 |
| 3.2 相关背景介绍 |
| 3.2.1 虚拟化 |
| 3.2.2 虚拟机 |
| 3.2.3 虚拟机的放置 |
| 3.3 主要贡献 |
| 3.3.1 通用多租户远程虚拟系统设计 |
| 3.3.2 基于蚁群算法的虚拟计算单元放置 |
| 3.4 应用实例一:多租户远程桌面虚拟系统 |
| 3.4.1 应用动机 |
| 3.4.2 实现细节 |
| 3.4.3 实验评估 |
| 3.5 应用实例二:多租户远程虚拟智能手机平台 |
| 3.5.1 应用动机 |
| 3.5.2 系统框架 |
| 3.5.3 实现细节 |
| 3.5.4 实验评估 |
| 3.6 本章小结 |
| 3.6.1 延伸工作 |
| 第四章 数据中心应用——异构分布式深度神经网络 |
| 4.1 引论 |
| 4.2 相关背景介绍 |
| 4.2.1 人工智能和深度神经网络 |
| 4.2.2 物联网 |
| 4.2.3 普适计算和分布式系统 |
| 4.3 异构分布式深度神经网络框架设计 |
| 4.3.1 分布式计算结点异构 |
| 4.3.2 神经网络异构 |
| 4.3.3 系统任务异构 |
| 4.3.4 任务分配和可扩展性 |
| 4.3.5 隐私保护 |
| 4.3.6 容错性 |
| 4.4 评测系统设计 |
| 4.4.1 评测系统框架 |
| 4.4.2 评测系统里的神经网络 |
| 4.4.3 评测数据集 |
| 4.4.4 评测通信开销 |
| 4.5 实验结果和分析 |
| 4.5.1 分布式计算结点异构的影响 |
| 4.5.2 神经网络异构的影响 |
| 4.5.3 系统任务异构的影响 |
| 4.5.4 任务分配和可扩展性的评测 |
| 4.5.5 隐私保护的额外开销 |
| 4.5.6 容错性测试 |
| 4.6 本章小结 |
| 4.6.1 延伸工作 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的学术论文 |
| 攻读学位期间参与的项目 |
| 攻读学位期间申请的专利 |
（10）容器云环境中基于信任的调度算法的研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 选题来源 |
| 1.2 课题研究背景及意义 |
| 1.3 国内外研究现状 |
| 1.3.1 虚拟技术的研究现状 |
| 1.3.2 云计算任务调度的研究现状 |
| 1.3.3 信任的研究现状 |
| 1.4 本文的主要研究工作 |
| 1.5 本论文的组织结构 |
| 第2章 相关技术与研究方法概述 |
| 2.1 云计算概述 |
| 2.1.1 云计算的概念 |
| 2.1.2 容器即服务技术 |
| 2.1.3 云计算的分类 |
| 2.1.4 云平台使用容器技术的目的 |
| 2.1.5 云计算的关键技术 |
| 2.2 云资源调度概述 |
| 2.2.1 任务调度的概念 |
| 2.2.2 任务调度的特点 |
| 2.2.3 常见的任务调度算法 |
| 2.2.4 容器云平台资源调度的重要性 |
| 2.2.5 主流容器资源调度平台的对比 |
| 2.3 信任的相关概述 |
| 2.3.1 信任的概念 |
| 2.3.2 信任的性质 |
| 2.3.3 信任的关系 |
| 2.4 本章小结 |
| 第3章 容器云环境下基于Qo S及信任的模型研究 |
| 3.1 问题的提出 |
| 3.2 相关研究工作 |
| 3.3 信任模型设计的关键问题 |
| 3.4 Qo S的相关理论 |
| 3.5 基于容器平台的Qo S的信任模型的设计 |
| 3.5.1 相关定义 |
| 3.5.2 模型的具体实现 |
| 3.6 基于信任机制的容器云平台的调度模型设计 |
| 3.7 本章小结 |
| 第4章 基于容器云平台的PSO-ACO任务调度算法 |
| 4.1 粒子群优化算法 |
| 4.1.1 粒子群优化算法的基本原理 |
| 4.1.2 粒子群优化算法的数学描述 |
| 4.1.3 粒子群优化算法的相关参数 |
| 4.1.4 粒子群优化算法的基本流程 |
| 4.1.5 粒子群优化算法的优缺点 |
| 4.2 蚁群基本算法 |
| 4.2.1 蚁群算法原理 |
| 4.2.2 蚁群算法数学模型 |
| 4.2.3 蚁群算法基本参数选择的研究 |
| 4.2.4 蚁群基本算法的优缺点 |
| 4.3 基于容器平台的PSO-ACO融合任务调度算法设计 |
| 4.3.1 蚁群算法的优化 |
| 4.3.2 粒子群算法的优化 |
| 4.4 PSO算法和ACO算法之间的关联 |
| 4.5 基于容器云平台PSO-ACO算法的资源调度算法流程描述 |
| 4.6 本章小结 |
| 第5章 仿真实验及结果分析 |
| 5.1 仿真实验平台CloudSim介绍 |
| 5.1.1 CloudSim整体架构图 |
| 5.1.2 ContainerCloudSim的功能介绍 |
| 5.1.3 ContainerCloudSim功能及特点 |
| 5.2 实验环境的构建及算法仿真相关设置 |
| 5.2.1 实验环境配置 |
| 5.2.2 仿真步骤 |
| 5.2.3 PSO-ACO算法的相关参数设置 |
| 5.3 实验结果与分析 |
| 5.4 本章小结 |
| 第6章 总结与展望 |
| 6.1 本文工作总结 |
| 6.2 未来展望 |
| 参考文献 |
| 攻读学位期间研究成果 |
| 致谢 |
四、蚂蚁算法扩展性及应用研究（论文参考文献）
- [1]链下通道路由算法综述[J]. 贾林鹏,裴奇,王鑫,张瀚文,于雷,张珺,孙毅. 软件学报, 2022(01)
- [2]面向分布式的任务调度方法及并行优化方法研究[D]. 张炯. 西安理工大学, 2021(01)
- [3]基于蚁群算法的IBGP路由算法[D]. 陆斌. 广西大学, 2021(12)
- [4]云计算任务调度中改进的蚁群算法的研究[D]. 王裕健. 华北电力大学(北京), 2021(01)
- [5]综合业务承载网的装箱算法[D]. 唐澄澄. 南京邮电大学, 2019(03)
- [6]基于DAG的多约束路由算法的研究[D]. 胡霞. 西安电子科技大学, 2019
- [7]SDN控制平面中负载均衡的迁移优化研究[D]. 曹洪运. 西安工业大学, 2019(03)
- [8]基于云计算的综合运维管理平台关键技术研究[D]. 王志浩. 中国电子科技集团公司电子科学研究院, 2018(03)
- [9]数据中心的网络调度与应用研究[D]. 宋涛. 上海交通大学, 2018(01)
- [10]容器云环境中基于信任的调度算法的研究[D]. 王鹏. 桂林理工大学, 2018(05)