幫助中心 | 我的帳號 | 關於我們
進階搜尋
car

同類熱銷排行榜

最近瀏覽的商品

深度強化學習(雲計算中作業與資源協同自適應調度的理論及應用)

  • 作者：編者:彭志平|責編:曾珊//李曄
  • 出版社：清華大學
  • ISBN：9787302617389
  • 出版日期：2023/07/01
  • 裝幀：平裝
  • 頁數：180
人民幣：RMB 89 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    本書彙集了作者近年來在雲計算作業分配、虛擬化資源調度、雲作業和資源協同自適應調度、強化學習和深度強化學習理論等方面的研究成果，同時介紹了在雲計算中用戶作業分配和虛擬化資源調度的一些基本原理和主要方法。
    全書共分為4篇：第1篇基礎理論（第1章和第2章），介紹了雲計算和深度強化學習的基本理論；第2篇雲作業調度演算法（第3?7章），介紹了雲計算環境下的隨機作業優化調度策略、混合作業調度機制、基於多智能體系統的雲工作流作業優化調度、基於深度強化學習的雲環境下的多資源雲作業調度策略、基於深度強化學習的多數據中心雲作業調度；第3篇虛擬化資源調度（第8?11章），介紹了基於強化學習的雲計算資源分配研究、基於DQN的多目標優化的資源調度框架、容器雲環境虛擬資源配置策略的優化、兩階段虛擬資源協同自適應調度；第4篇雲作業和虛擬化資源協同自適應調度（第12章和第13章），介紹了基於異構分散式深度學習的雲任務調度與資源配置框架、雲工作流任務與虛擬化資源協同自適應調度機制。
    本書可作為電腦類專業學生的參考書，同時對從事雲計算中作業與虛擬化資源協同自適應調度的理論及應用技術研究、開發和應用的科技人員也具有一定的參考價值。
作者介紹
編者:彭志平|責編:曾珊//李曄
    彭志平，工學博士，教授，中國模擬學會智能模擬優化與調度專委會常務委員、中國自動化學會技術過程的故障診斷與安全性專業委員會委員，長期從事人工智慧、智能系統等方向的研究。近年來主持國家自然科學基金項目3項、廣東省應用型科技研發重點項目1項、其他省部級項目和企業委託技術攻關項目近20項，在/EEE Transactions on Neural Networks and Learning Systems、IEEE Transactions on Cloud Computing等發表學術論文近100篇，獲省部級科技成果獎7項，授權發明專利27件。已培養研究生15人。曾獲廣東省南粵優秀教師、廣東省師德標兵等榮譽稱號。
目錄
第1篇  基礎理論
  第1章  雲計算概述
    1.1  雲計算技術概述
      1.1.1  雲計算的3種服務模式
      1.1.2  雲計算的4種部署模型
    1.2  雲計算的核心技術
    1.3  雲計算資源配置與任務調度模型
    1.4  雲計算提出的挑戰
      1.4.1  虛擬化技術帶來的挑戰
      1.4.2  虛擬機資源和應用系統參數提出的挑戰
      1.4.3  工作流任務和虛擬化資源進行協同自適應調度提出的挑戰
      1.4.4  資源利用率和服務等級協議提出的挑戰
  第2章  深度強化學習概述
    2.1  深度卷積神經網路
    2.2  強化學習
    2.3  深度強化學習
      2.3.1  DQN演算法主要用到的關鍵技術
      2.3.2  DQN模型訓練過程
第2篇  雲作業調度演算法
  第3章  隨機作業優化調度策略
    3.1  引言
    3.2  國內外研究現狀
      3.2.1  理論分析
      3.2.2  能耗管理
      3.2.3  資源分配
    3.3  系統模型
      3.3.1  作業調度子模塊
      3.3.2  作業執行子模塊
      3.3.3  作業傳輸子模塊
    3.4  基於強化學習的作業調度演算法
      3.4.1  強化學習
      3.4.2  基於強化學習的用戶作業調度演算法
      3.4.3  狀態簡約
    3.5  性能評估
      3.5.1  模擬雲平台實驗驗證
      3.5.2  真實雲平台實驗驗證
    3.6  小結
  第4章  混合作業調度機制
    4.1  引言
    4.2  國內外發展現狀
      4.2.1  靜態調度法
      4.2.2  動態調度法
      4.2.3  混合調度法
      4.2.4  局限性分析
    4.3  雲平台模型
    4.4  混合作業調度演算法
    4.5  基於強化學習的混合作業調度演算法
    4.6  實驗結果與分析
    4.7  小結
  第5章  基於多智能體系統的雲工作流作業優化調度

    5.1  研究背景
    5.2  相關工作
    5.3  系統模型
      5.3.1  雲工作流系統
      5.3.2  雲工作流模型組件介紹
    5.4  基於多智能體系統的粒子群遺傳優化演算法
      5.4.1  粒子群優化演算法
      5.4.2  雲工作流環境下的粒子群演算法
      5.4.3  多智能體系統下粒子群的自組織模型
      5.4.4  MASPSOGA演算法步驟
    5.5  演算法模擬與分析
      5.5.1  實驗數據和參數設置
      5.5.2  實驗結果及分析
    5.6  小結
  第6章  基於深度強化學習的雲環境下的多資源雲作業調度策略
    6.1  引言
    6.2  系統模型及表示
    6.3  演算法說明與偽代碼
    6.4  實驗環境與參數設置
    6.5  實驗結果與分析
    6.6  小結
  第7章  基於深度強化學習的多數據中心雲作業調度
    7.1  引言
    7.2  系統模型
    7.3  作業調度
    7.4  模擬實驗平台設計
    7.5  模擬實驗及結果分析
    7.6  小結
第3篇  虛擬化資源調度
  第8章  基於強化學習的雲計算資源分配研究
    8.1  引言
    8.2  研究現狀
    8.3  系統模型
      8.3.1  雲計算平台架構
      8.3.2  作業響應時間
      8.3.3  分段SLA
      8.3.4  有效單位時間花費
    8.4  基於強化學習的雲資源調度機制
      8.4.1  相關概念
      8.4.2  基於基本強化學習的資源調度演算法
      8.4.3  優化的資源分配策略
    8.5  實驗結果
      8.5.1  模擬雲平台驗證
      8.5.2  真實雲平台上進行性能驗證
    8.6  小結
  第9章  基於DQN的多目標優化的資源調度框架
    9.1  引言
    9.2  國內外發展現狀
      9.2.1  基於啟髮式演算法的資源調度研究
      9.2.2  基於強化學習的資源調度研究

      9.2.3  基於深度強化學習的資源調度研究
    9.3  系統模型
      9.3.1  作業負載層
      9.3.2  調度控制層
      9.3.3  數據中心層
    9.4  問題分析
      9.4.1  用戶作業負載模型
      9.4.2  能源消耗模型
      9.4.3  數學描述
    9.5  演算法說明與偽代碼
    9.6  模擬實驗與結果分析
      9.6.1  實驗步驟和參數設置
      9.6.2  實驗結果與分析
    9.7  小結
  第10章  容器雲環境虛擬資源配置策略的優化
    10.1  引言
    10.2  容器雲資源配置
      10.2.1  虛擬機資源配置
      10.2.2  容器資源配置
      10.2.3  虛擬機/容器遷移
    10.3  問題描述與數學建模
      10.3.1  問題描述
      10.3.2  數據中心的能耗模型
    10.4  主機選擇策略及改進
      10.4.1  常用物理機選擇策略
      10.4.2  物理機選擇策略的改進
      10.4.3  演算法的複雜度分析
    10.5  實驗結果及分析
      10.5.1  實驗環境
      10.5.2  實驗場景
    10.6  小結
  第11章  兩階段虛擬資源協同自適應調度
    11.1  引言
    11.2  國內外發展現狀
      11.2.1  靜態調度法
      11.2.2  動態調度法
      11.2.3  混合調度法
      11.2.4  局限性分析
    11.3  系統模型
      11.3.1  虛擬機租用階段系統子模型
      11.3.2  虛擬機使用階段系統子模型
    11.4  數據中心選擇演算法
      11.4.1  深度強化學習
      11.4.2  虛擬機租用階段的數據中心選擇
      11.4.3  虛擬機租用階段的數據中心選擇演算法
      11.4.4  虛擬機使用階段的數據中心選擇
      11.4.5  虛擬機使用階段的數據中心選擇演算法
    11.5  實驗驗證
      11.5.1  虛擬機租用階段實驗結果與分析
      11.5.2  虛擬機使用階段實驗結果與分析

    11.6  小結
第4篇  雲作業和虛擬化資源協同自適應調度
  第12章  基於異構分散式深度學習的雲任務調度與資源配置框架
    12.1  引言
    12.2  系統框架與問題闡述
      12.2.1  系統框架
      12.2.2  問題闡述
    12.3  異構分散式深度學習模型
    12.4  模擬實驗與結果分析
      12.4.1  實驗設計與參數說明
      12.4.2  網路模型驗證實驗
      12.4.3  演算法比較模擬實驗
    12.5  小結
  第13章  雲工作流任務與虛擬化資源協同自適應調度機制
    13.1  引言
    13.2  自適應協同調度研究現狀及其局限性分析
    13.3  系統模型
    13.4  多智能體社會下工作流任務與虛擬化虛擬機資源自適應調度機制
    13.5  多智能體社會下工作流任務與虛擬化虛擬機資源協同調度機制
    13.6  實驗驗證
    13.7  小結
參考文獻

  • 商品搜索：
  • | 高級搜索
首頁│ 新手上路│ 客服中心│ 關於我們│ 聯絡我們│ Top↑│
Copyrightc 1999~2008 美商天龍國際圖書股份有限公司 臺灣分公司. All rights reserved.
營業地址:臺北市中正區重慶南路一段103號1F 105號1F-2F
讀者服務部電話：02-2381-2033 02-2381-1863　時間：週一-週五 10:00-17:00
　服務信箱：bookuu@69book.com 客戶、意見信箱:cs@69book.com
ICP證：浙B2-20060032