本文是一篇计算机论文，本文提出一种基于反向学习的混沌映射自适应粒子群算法(chaotic mapping Adap-tive Particle Swarm Optimization algorithm based on Opposition-based learning,OAPSO)。该算法可使粒子的初始种群更加均匀地分布于初始解空间，改变粒子的寻优能力，提高算法从局部最优中跳出的能力。
第一章绪论
1.1课题的研究背景及意义
云计算(Cloud Computing)是在分布式计算、并行计算、虚拟化等技术的基础上发展起来的一种计算与服务模式。云计算作为一种新型的商业服务模式[1]，具有可伸缩、虚拟化、按需服务、高可靠性和高性价比等优点[2]，越来越多的企业也开始利用云计算平台实现数字化转型。近年来随着云计算技术的快速发展，云平台已成为企业和应用服务提供商运营的基础性平台，云计算平台的规模正在迅速扩张。根据2019年国务院发展研究中心发布的《中国云计算产业发展白皮书》，预测到2023年，国内的云计算产业规模将超过3000亿元[3]。在5年内，将有超过60%的企业和政府机构的日常运营会依赖云计算。2023年政府工作报告两次提及了“数字经济”，这是数字经济连续第五年写入政府工作报告。随着云计算平台的用户数量急速扩张，用户对于云计算资源的需求量、需求资源的种类也快速增长。然而，云计算平台资源利用率仍然比较低，为了满足用户多样性的资源需求，云计算平台必须高效灵活地对用户需求做出合理响应。
我国算力资源处于快速发展阶段，考虑到数据中心建设和算力提升需要消耗大量能源，还要在发展中兼顾高效和节能减排[9]。快速发展的计算平台面临着急剧增长的云资源需求与计算平台较低的资源利用率之间的矛盾[10]，解决上述问题的核心技术就是任务调度(Task Scheduling)，即将用户提交的任务分配到合适计算资源执行。具体来说，任务调度是指在云计算环境中根据任务和资源的实际情况，将任务分配或迁移到相应资源上执行的过程。其中涉及了优先级、执行时间、完成时间、资源利用率、成本、能耗、网络吞吐率以及公平性等优化参数和评测指标。任务调度策略不仅直接对任务执行时间和成本产生作用，还会影响到整个云计算平台的性能[11]。为此，任务调度问题的提出，它不仅需考虑用户需求，还需考虑资源利用率。
..................................
1.2国内外任务调度问题求解算法研究现状
由于任务的动态性，研究者将研究工作集中在启发式、元启发式和混合调度策略上。云计算调度策略可分为启发式、元启发式和混合式三种。表1-1展示了几种常见的任务调度算法及其特点。
(1)启发式任务调度算法是指通过一些经验性规则或者启发式方法来分配和调度任务，以达到一定的优化目标。这种算法可以快速地得到解决方案，但是可能会导致贪心策略，局部最优解等问题。
(2)元启发式算法是启发式算法的改进，是随机算法与局部搜索算法相结合的产物。元启发式是一个迭代生成过程，通过对不同概念的智能组合，该过程以启发式算法实现对搜索空间的探索和开发。在这个过程中，学习策略被用来获取和掌握信息，以有效地发现近似最优解。
(3)混合任务调度算法是指将多种任务调度算法进行组合，比如将元启发式算法和遗传算法进行结合，以得到更好的任务调度结果。这种算法可以充分利用各种算法的优势，但是实现难度和计算复杂度也相对较高。
任务调度算法的选择应该根据具体的应用场景和需求来进行。在不同的场景中，可能会有不同的任务调度要求，比如实时性要求高的系统需要采用实时任务调度算法，而对于资源密集型的系统，需要采用能够合理分配资源的任务调度算法。图1-1展示了调度算法的分类。
计算机论文怎么写
.......................
第二章相关背景知识介绍
2.1云计算概述
云计算是一种使企业能够在不受用户直接干扰的情况下利用所需的计算机系统功能(包括计算能力和云上的大数据存储)的集中式计算架构。在云计算中，数据可以处于多个本地位置，包括第三方服务器[45]。云计算的一些例子包括Dropbox、微软(Microsoft)Azure和Rackspace。云计算是一项可以向个人和公司提供服务的新技术，各领域对它的需求有所增加，并已迅速被各行各业所接受。云解决方案以增加弹性、敏捷性、易于处理和可访问性等特点[46]，被广泛应用于大型企业中。
Google、亚马逊公司(Amazon)、国际商业机器公司(International Business Machines Corpora-tion,IBM)、雅虎(Yahoo)和微软等互联网技术(Internet Technology,IT)巨头们以前所未有的速度和规模推动云计算技术和产品的普及，云计算的快速发展，用户的信息和数据量暴增，造成了大量的用户资源需求。随着企业越来越意识到云计算在效率和盈利能力方面的多重优势，云技术的使用不断上升。根据《福布斯》发布的数据，拥有超过1000名员工的大企业中，13%的企业已经迁移到云端[47]，预计这一数字将进一步扩大，会有更多企业向云端迁移。当前，几乎我们能看到的所有的大规模的互联网应用（淘宝、天猫、优酷等），都是运行在云上的。而支撑云的，是大型云计算服务商部署在世界各地的多个数据中心。
................................
2.2云计算机任务调度问题概述
调度用于管理作业并将它们分配到适当的资源，是计划在网络计算中发挥关键作用的一种方式。调度算法的目的是分配作业使云用户能够以最小的时间和成本在截止日期前完成任务。
为便于模拟研究，现作出以下假设：
(1)忽略带宽、数据传输、虚拟机间通讯的时间等的影响。一个任务的运行时间是该任务的长度和它所处的虚拟机上的运行速度的比值。
(2)把任务抽象表示为机器指令数，单位为百万指令(Million Instructions,MI)，长度在一定范围内随机选取。
(3)所有云计算资源都映射到以每秒百万指令(Million Instructions Per Second,MIPS)为性能单位的虚拟机上，并在一定范围内选择性能。
(4)各任务是相互独立的，没有互相依存关系。当同一台虚拟机执行多个任务时，按照顺序调度原则执行任务。云计算允许用户通过互联网(Internet)访问共享资源池。
云计算允许用户通过互联网(Internet)访问共享资源池。云系统的效率随着任务对资源的优化分配而提高。因此，云系统中的一个主要问题就是任务调度问题。任务调度算法试图将任务分配给虚拟机，以实现诸如最小化能源消耗、最大化资源利用率、最小化Makespan等目标。云环境中的任务调度是近年来的一个重要研究领域，本文主要研究如何为用户提交的任务分配资源，即如何将N个不同长度的云任务分配给M个性能不同的虚拟机，使这N个云任务的总完成时间最短。
..................................
第三章 基于反向学习的混沌映射自适应粒子群算法 ........................ 23
3.1 引言 ........................................ 23
3.2 标准粒子群算法概述 ............................... 23
第四章 改进的基于反向学习的混沌映射自适应粒子群算法 ............ 37
4.1 引言 ................................. 37
4.2 云计算能耗模型 .................................. 37
第五章 总结和展望 ........................... 51
5.1 工作总结 ................................ 51
5.2 展望 ....................................... 51
第四章改进的基于反向学习的混沌映射自适应粒子群算法
4.2云计算能耗模型
4.2.1云计算能耗模型介绍
根据世界能源理事会的定义，能效是指降低某项服务或活动水平所使用的能源，能源效率是云环境中的主要研究课题之一[73]。最大限度地降低大规模云系统的能耗将有利于云服务提供商，降低用户成本，并减少温室气体排放[74]。云计算能耗模型的整体网络结构通常包含三个主要模块：服务器模块、网络模块和负载模块，如图4-1所示。
计算机论文参考
服务器模块是云数据中心的核心组成部分，主要由物理服务器、虚拟机和任务调度器等组成。在这个模块中，物理服务器通过虚拟化技术划分出多个虚拟机，每个虚拟机可以承载不同的应用程序或服务。同时，任务调度器也会根据当前的负载情况将不同的任务分配给各个虚拟机来优化资源利用率和降低能耗。
.................................
第五章总结和展望
5.1工作总结
针对任务调度问题，我们关注云计算能耗问题和任务调度策略。由于收敛速度快且易于实现，粒子群任务调度方法被认为是一种更适合于任务负载平衡调度的方法。针对启发式算法不能满足多样化需求以及传统粒子群算法性能差等问题，提出改进算法以实现快速收敛并获取全局最优解。通过缩短任务完成时间来平衡能耗和用户成本之间的关系，实现降低能耗的调度目的。
首先，对现有的任务调度算法相关研究背景及意义、国内外研究现状及其算法进行分类分析，介绍粒子群算法求解任务调度问题。
其次，针对任务调度的特点，提出了云计算能耗模型，并提出了OAPSO算法来解决任务调度问题。OAPSO算法采用反向学习的方法产生初始种群，使粒子更加均匀地分布于初始解空间，提高了初始种群的质量；在粒子更新方式中引入非线性递减的动态惯性权重策略，以改变粒子的寻优能力，使局部搜索和全局搜索达到平衡，避免算法陷入局部最优；引入混沌映射策略，在最优解位置进行扰动变异产生新解，提高算法从局部最优中跳出的能力。选取经典的粒子群算法、模拟退火粒子群算法、改进的粒子群算法在Cloudsim平台上进行仿真实验，实验证明OAPSO算法效果更好。
然后，针对现有的能耗模型和OAPSO算法的评价指标进行了优化改进，不再单纯认为任务完成时间为能源消耗，提出了IOAPSO算法。仿真实验结果对比来看，提出IOAPSO算法比标准PSO算法收敛精度更高、节能效率更高，调度策略上要更优。因此，所提出的任务调度策略能够较好地解决云数据中心任务调度分配问题。
参考文献（略）