导读:本文包含了库群优化调度论文开题报告文献综述及选题提纲参考文献，主要关键词:船舶电力系统,温室气体排放,联合调度,MOPSO
库群优化调度论文文献综述
李素素,王锡淮[1]（2019）在《基于粒子群优化的船舶电力系统经济环境调度》一文中研究指出本文提出了将温室气体的排放作为单独目标的船舶电力系统调度。为了同时实现运行成本低和温室气体排放量少两个目标,采用船舶航行调度和发电联合调度。利用多目标粒子群算法(MOPSO)在满足船舶航行及发电机约束的同时,对发电机组的功率、启停状态以及船舶速度进行优化调度,同时实现经济目标和环境目标。粒子群算法(PSO)由于易实现和收敛速度快等优点,可应用于解决多目标优化问题。通过用MOPSO进行全局寻优找到一组完整的Pareto折中解,使两个目标尽可能的达到最优。(本文来源于《船电技术》期刊2019年11期）
胡志刚,常健,周舟[2]（2019）在《面向云环境中任务负载的粒子群优化调度策略》一文中研究指出随着云环境中任务规模的不断扩大,云计算中心高能耗问题变得日益突出.如何解决云环境中任务分配问题从而有效降低能耗,本文提出了一种改进的粒子群优化算法(Modified Particle Swarm Optimization,M-PSO).首先构建出一个云计算能耗模型,同时考虑处理器的执行能耗和任务传输能耗.基于该模型,对任务分配问题进行定义描述,并采用粒子群优化算法对问题进行求解.此外,构建动态调整的惯性权重系数函数以克服标准PSO算法的局部最优和收敛速度慢的问题,有效提高系统性能.最后通过仿真实验对该算法模型的性能进行了评估,结果表明M-PSO算法与其他算法相比能有效地降低系统总能耗.(本文来源于《湖南大学学报(自然科学版)》期刊2019年08期）
杨爱华[3]（2019）在《云计算下的蚁群优化算法资源调度研究》一文中研究指出针对云计算时代节点规模大、单个节点资源配置效率低等问题,基于Map/Reduce框架上提出利用蚁群优化算法对资源调度进行优化的算法,即:ACO1和ACO2,并在上述策略中引入双向蚂蚁机制.采用仿真实验检验所用算法有效性,实验结果证实,这两个使用双向蚂蚁机制的资源调度策略执行找寻任务所用时间更少,促使用户可以迅速获得虚拟机,确保用户开展作业可以按时完成.(本文来源于《通化师范学院学报》期刊2019年08期）
杨智凯,刘旖旎,周小青,刘攀,明波[4]（2019）在《考虑多控制断面流量需求的湘江水库群优化调度图研究》一文中研究指出湘江梯级水库的建设促进了水资源的开发利用,但目前各梯级间采用单一水库调度模式,水库群各目标职能无法充分发挥。本文通过对湘江流域9座水电站联合调度,以保障多控制断面生态流量需求为主要目标,兼顾供水、灌溉和发电等多目标,建立湘江梯级水库群多目标调度图优化模型。采用布谷鸟搜索算法优化多目标调度图,使得各控制断面和下游长沙综合枢纽生态供水保证率在99%以上,同时使梯级水库供水保证率、灌溉保证率和发电保证率尽量达到实际生产要求,梯级效益得到有效保障。(本文来源于《水资源研究》期刊2019年04期）
闫李,李超,柴旭朝,瞿博阳[5]（2019）在《基于多学习多目标鸽群优化的动态环境经济调度》一文中研究指出针对电力系统动态环境经济调度(DEED)问题,提出了一种基于多学习策略的多目标鸽群优化(MLMPIO)算法.在多学习策略中,种群个体可以向外部存档集中的多个全局最优位置以及个体的历史最优位置进行学习,进而保持种群的多样性和全局搜索能力,避免陷入早熟收敛.引入了小概率变异扰动机制,进一步增强种群的多样性.为提升算法的运行效率,采用容量自适应变化的外部存档集来存储当前Pareto最优解集.为验证所提算法的性能,将MLMPIO应用于10机组电力系统的DEED问题求解.仿真结果证明了MLMPIO算法解决此类问题的可行性和有效性.(本文来源于《郑州大学学报(工学版)》期刊2019年04期）
张海南,游晓明,刘升[6]（2019）在《动态调度策略与竞争机制融合的蚁群优化算法》一文中研究指出针对蚁群算法收敛速度较慢与易陷入局部最优的问题,提出了动态调度策略与竞争机制融合的蚁群优化算法.该算法重点引入调度策略,随迭代时期的变化,通过反馈系数将路径信息实时反馈给调度算子,引导蚂蚁动态选择路径,在广阔的空间中充分探索最优解,避免蚁群陷入局部最优.另将蚁群分为双子群竞争搜索最优解,并给予不同的激励,从而平衡算法的多样性与收敛速度.通过14个经典旅行商问题(Traveling Salesman Problem)实例进行验证,该算法能以较少的迭代次数取得最优解或接近最优解,表明算法的有效性及其优越性.(本文来源于《微电子学与计算机》期刊2019年07期）
李东光,刘智平,姜雨菲[7]（2019）在《蚁群优化算法的Docker集群调度策略》一文中研究指出针对轻量级虚拟化技术Docker集群调度策略Docker Swarm无法很好实现负载均衡且不能很好发挥集群的整体性能问题,提出利用蚁群优化算法对其调度进行改进,通过搭建容器集群进行任务调度分配资源,分别对Swarm原生的调度策略和文中提出的改进算法进行对比实验。实验结果表明,在相同配置下,蚁群优化算法相比Docker原始调度策略集群压力测试QPS性能大约提升20%,同时该算法使得集群中各个节点的资源利用更加均衡,具有了更快的服务响应速度。(本文来源于《西安工业大学学报》期刊2019年03期）
刘德顺,董海鹰,汪宁渤,马明[8]（2019）在《基于多时空尺度协调的多源互补发电场群优化调度》一文中研究指出为了解决风光发电随机性和不确定性造成的严重弃风、弃光问题,在研究抽水蓄能电站、高载能负荷运行特性和消纳弃风弃光能力的基础上,提出了基于多时空尺度协调的多源互补发电场群优化调度策略。该策略将多源互补发电场群从时间和空间的角度各分叁层进行控制,以系统运行成本最小、风光蓄发电利用率最大和系统输出功率波动最小为目标分别建立了日前、滚动、实时3个时间尺度的优化调度模型。通过滚动修正、实时调节来逐级降低风光预测误差及负荷不确定对调度计划的影响,提高调度精度。结合甘肃酒泉具体算例,验证了所提调度策略能够有效提高系统运行经济性,促进风光消纳。(本文来源于《电力系统保护与控制》期刊2019年12期）
何丽文[9]（2019）在《基于粒子群优化算法的园林绿植养护调度系统研究》一文中研究指出随着计算机和智能化的快速发展,信息技术已深入到了社会各个层面。传统的园林绿植管理依靠纸质化、主观判断进行人员任务调度,具有易错性、延迟性等缺点,已不再适应时代的需求。提高园林绿植管理效率,更多地应用信息化和智能化管理,是园林绿植未来可持续性发展的必然趋势。本文所研究的园林调度系统依靠先进的信息技术,以改善养护资源的有效分配,降低养护费用成本,提高人工利用率为目标。结合绿植养护中的各种约束条件以及粒子群优化算法的基本理论,深入分析绿植养护调度过程的优化方法,自动判断并处理了人员任务安排,取代了传统的人工操作,达到省时省力的效果。本文的主要工作和成果如下:1.阐述了园林绿植对我国城市建设的重要性,分析了目前园林养护调度存在的问题。2.采用SSH技术框架、Java开发语言以及粒子群算法等关键技术,在分析需求和可行性的基础上,建立园林绿植养护调度系统并给出总体架构。通过对园林绿植农业基地气候的实时监控、园林绿植生长习性的调查、工作人员履历的详细了解,实现系统调度功能。将时间和工作任务合理分配至个人,实现对园林绿植养护调度的智能化管理。3..运用粒子群优化算法找出调度工作安排的最佳路径,实现园林的的调度智能化管理。4.对设计的园林绿植养护调度系统进行了功能测试和性能测试。结果表明,系统能够实现预先设计的所有功能,工作性能较为稳定,很大程度上节省了人力和物力。(本文来源于《中南林业科技大学》期刊2019-05-01）
王恩重,陶传奇[10]（2019）在《基于改进蚁群优化算法的云计算调度方法》一文中研究指出云计算以其可伸缩性、高可靠性、低成本以及按需服务等诸多特点吸引了无数研究人员和企业的关注,成为了当今时代的热门话题,云计算任务调度在云计算研究领域占有十分重要的地位。论文首先分析了当前云计算任务调度现状,并对任务调度中常用的蚁群算法进行了描述,同时针对传统蚁群算法在云计算任务调度中的不足,提出了基于改进蚁群优化算法的云计算调度方法,在信息素更新和信息素挥发两个方面对蚁群算法进行了改进。最后使用CloudSim进行实验,对算法的可行性进行了分析和验证。(本文来源于《计算机与数字工程》期刊2019年04期）
库群优化调度论文开题报告
（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：
随着云环境中任务规模的不断扩大,云计算中心高能耗问题变得日益突出.如何解决云环境中任务分配问题从而有效降低能耗,本文提出了一种改进的粒子群优化算法(Modified Particle Swarm Optimization,M-PSO).首先构建出一个云计算能耗模型,同时考虑处理器的执行能耗和任务传输能耗.基于该模型,对任务分配问题进行定义描述,并采用粒子群优化算法对问题进行求解.此外,构建动态调整的惯性权重系数函数以克服标准PSO算法的局部最优和收敛速度慢的问题,有效提高系统性能.最后通过仿真实验对该算法模型的性能进行了评估,结果表明M-PSO算法与其他算法相比能有效地降低系统总能耗.
（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。
库群优化调度论文参考文献
[1].李素素,王锡淮.基于粒子群优化的船舶电力系统经济环境调度[J].船电技术.2019
[2].胡志刚,常健,周舟.面向云环境中任务负载的粒子群优化调度策略[J].湖南大学学报(自然科学版).2019
[3].杨爱华.云计算下的蚁群优化算法资源调度研究[J].通化师范学院学报.2019
[4].杨智凯,刘旖旎,周小青,刘攀,明波.考虑多控制断面流量需求的湘江水库群优化调度图研究[J].水资源研究.2019
[5].闫李,李超,柴旭朝,瞿博阳.基于多学习多目标鸽群优化的动态环境经济调度[J].郑州大学学报(工学版).2019
[6].张海南,游晓明,刘升.动态调度策略与竞争机制融合的蚁群优化算法[J].微电子学与计算机.2019
[7].李东光,刘智平,姜雨菲.蚁群优化算法的Docker集群调度策略[J].西安工业大学学报.2019
[8].刘德顺,董海鹰,汪宁渤,马明.基于多时空尺度协调的多源互补发电场群优化调度[J].电力系统保护与控制.2019
[9].何丽文.基于粒子群优化算法的园林绿植养护调度系统研究[D].中南林业科技大学.2019
[10].王恩重,陶传奇.基于改进蚁群优化算法的云计算调度方法[J].计算机与数字工程.2019