• 
    

    
    

      99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

      基于云計(jì)算平臺(tái)的資源調(diào)度優(yōu)化研究

      2017-03-06 20:13:33田玉靖郭芳郁張慶余
      電腦知識(shí)與技術(shù) 2016年30期
      關(guān)鍵詞:粒子群算法云計(jì)算

      田玉靖 郭芳郁 張慶余

      摘要:云計(jì)算平臺(tái)資源調(diào)度既是云計(jì)算系統(tǒng)的關(guān)鍵,又直接影響著系統(tǒng)的工作性能。為了提高云計(jì)算資源調(diào)度的效率,在深入分析粒子群算法和模擬退火算法的基礎(chǔ)上,提出了改進(jìn)粒子群的虛擬機(jī)部署算法及任務(wù)調(diào)度算法。一方面提高了虛擬機(jī)到物理機(jī)的資源利用率,另一方面在保證任務(wù)運(yùn)行時(shí)間最短的前提下優(yōu)化了負(fù)載不均衡問題。最后通過仿真工具CloudSim進(jìn)行了仿真,驗(yàn)證了算法的有效性。

      關(guān)鍵詞:云計(jì)算;資源調(diào)度;粒子群算法;資源利用率;CloudSim

      中圖分類號(hào):TP393 文獻(xiàn)標(biāo)識(shí)碼:A 文章編號(hào):1009-3044(2016)30-0187-04

      隨著互聯(lián)網(wǎng)商業(yè)競(jìng)爭(zhēng)的日益加劇及虛擬化技術(shù)的發(fā)展,云計(jì)算已然徹底改變了信息技術(shù)的獲取及處理方式。而云平臺(tái)資源調(diào)度既是云計(jì)算的關(guān)鍵,又對(duì)云計(jì)算系統(tǒng)的工作性能有著直接的影響,因此研究獲取一款高效的計(jì)算資源調(diào)度模型至關(guān)重要。

      針對(duì)云計(jì)算集群的異構(gòu)及不穩(wěn)定問題,文獻(xiàn)[1]提出了一種基于統(tǒng)計(jì)分析的Hadoop任務(wù)槽分配機(jī)制算法RSSO,并在一定程度上提高了集群的性能[1]。為了解決服務(wù)器的吞吐量問題,文獻(xiàn)[2]通過研究蜂群算法,提出了基于負(fù)載分發(fā)的蜂群算法的負(fù)載平衡機(jī)制[2]。此外基于蛙跳算法、免疫進(jìn)化算法等研究出的資源調(diào)度模型,雖均在提高云計(jì)算資源效率上做出了貢獻(xiàn),但卻存在著易陷入局部最優(yōu)解、收斂速度慢的缺陷。

      為了研究獲取更優(yōu)的云計(jì)算調(diào)度方案,提高云計(jì)算的資源利用率,本研究對(duì)粒子群算法的原理進(jìn)行了研究,并結(jié)合實(shí)際針對(duì)性的對(duì)算法進(jìn)行了改進(jìn),提出了基于改進(jìn)粒子群算法的虛擬機(jī)部署算法(simulated annealing-particle swarm optimization,SA-PSO)及基于改進(jìn)粒子群算法的雙適應(yīng)度任務(wù)調(diào)度算法(double fitness- particle swarm optimization, DF-PSO)。之后通過仿真證明了提出算法的有效性。

      1 云計(jì)算資源調(diào)度問題描述

      云計(jì)算資源調(diào)度通常分為兩步,第一步在虛擬資源層分配任務(wù)至虛擬機(jī)上,第二步在物理資源層部署虛擬機(jī)至物理機(jī)上。

      研究發(fā)現(xiàn),一方面云平臺(tái)往往使用簡(jiǎn)單的虛擬機(jī)資源,以犧牲平臺(tái)負(fù)載均衡為代價(jià)來提高云平臺(tái)部署的效率。另一方面云平臺(tái)所提供的物理資源,是通過放置在物理機(jī)上的虛擬機(jī)而實(shí)現(xiàn)。又由于虛擬機(jī)對(duì)不同類型的資源需求不同,且物理機(jī)的配置也不盡相同,因此需要研究一種在保證部署效率的同時(shí)將虛擬資源均衡的調(diào)度到物理資源中的辦法。

      2 基于改進(jìn)粒子群的虛擬機(jī)部署算法

      2.1 改進(jìn)的粒子群算法

      傳統(tǒng)的粒子群算法(particle swarm optimization,PSO)具有并行處理、魯棒性好等特點(diǎn),目前已廣泛并成功應(yīng)用于函數(shù)優(yōu)化、神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)、信號(hào)處理等領(lǐng)域。在PSO中當(dāng)判斷得到計(jì)算出的適應(yīng)度優(yōu)于最優(yōu)解時(shí),便會(huì)將該粒子作為最優(yōu)解,因此容易出現(xiàn)誤將局部最優(yōu)解定為全局最優(yōu)解的情況。

      模擬退火算法源自固體退火原理,其理念為在退火過程中隨著溫度的降低,算法自身的概率突跳特性能夠促使其在解空間中獲得全局最優(yōu)解,即在溫度較高時(shí)可以舍棄局部最優(yōu)解而尋求全局最優(yōu)解[5]。算法核心為退火概率,計(jì)算公式如(1)所示。

      [p=e(-△E(kT))] (1)

      其中P表示溫度T時(shí)刻趨于平衡的概率,[△E]表示內(nèi)能的變化量,T表示溫度,K表示Boltzmann常數(shù)。

      因此為了優(yōu)化傳統(tǒng)粒子群算法的收斂性,選擇在其過程中引入了模擬退火算法。當(dāng)有粒子的適應(yīng)度劣于最優(yōu)解時(shí),便通過Metropolis進(jìn)行二次判斷,進(jìn)而決定舍棄與否。如此便實(shí)現(xiàn)了獲得局部最優(yōu)解后能夠概率性的跳出,并最終得到全局最優(yōu)解。如圖2所示為改進(jìn)粒子群算法的流程圖。

      根據(jù)公式(2)并結(jié)合改進(jìn)算法,研究出的適應(yīng)度淘汰公式如(2)所示。

      其中p表示接受適應(yīng)度的概率,F(xiàn)表示當(dāng)前適應(yīng)度,[Fg]表示最優(yōu)適應(yīng)度,T表示溫度(隨迭代次數(shù)的增加而減小)。[T=T?k],k表示變化系數(shù)(k=0~1,k越大表示溫度降低的越慢)。

      得到粒子群的適應(yīng)度函數(shù)值后,根據(jù)公式(2)計(jì)算其概率并進(jìn)行取舍。T的初值為第一次迭代時(shí)的最優(yōu)解,當(dāng)T較大而[F-Fg]較小時(shí),P值較大,這時(shí)得到的解會(huì)劣于全局最優(yōu)解,同時(shí)也使得有了跳出局部最優(yōu)解的可能。隨著迭代次數(shù)的增加,系數(shù)k逐漸降低,,當(dāng)溫度低于最小值時(shí),便跳出退火算法,重新根據(jù)粒子群算法直至得到全局最優(yōu)解。

      2.2 基于改進(jìn)粒子群的虛擬機(jī)部署算法

      對(duì)于研究提出的改進(jìn)粒子群算法,適應(yīng)度函數(shù)是判斷粒子優(yōu)劣性的唯一標(biāo)準(zhǔn),但其并不唯一,需要具體問題具體分析。因此在對(duì)虛擬機(jī)的內(nèi)存、帶寬以及計(jì)算能力等因素進(jìn)行綜合分析研究后,所得出的負(fù)載不均衡度判斷適應(yīng)度函數(shù)如公式(3)、(4)、(5)所示。

      [F1(x)=1ni=1n(mi-mavg)] (3)

      [F2(x)=1ni=1n(bwi-bwavg)] (4)

      [F3(x)=1ni=1n(ci-cavg)] (5)

      其中[mi]表示i號(hào)物理機(jī)的內(nèi)存利用率,[mavg]表示所有物理機(jī)內(nèi)存利用率的平均值;[bwi]表示i號(hào)物理機(jī)的帶寬利用率,[bwavg]表示所有物理機(jī)帶寬利用率的平均值;其中[ci]表示i號(hào)物理機(jī)的計(jì)算能力利用率,[cavg]表示所有物理機(jī)計(jì)算能力利用率的平均值。

      公式(6)為結(jié)合三個(gè)不平衡度得到的加權(quán)平均值,并以其作為判斷粒子優(yōu)劣性的標(biāo)準(zhǔn)。

      [F(x)=1ni=1nαiFi(x)] (6)

      其中[αi]表示第i個(gè)適應(yīng)度的影響因子。

      將虛擬機(jī)分配到物理機(jī)上后,各個(gè)物理機(jī)所耗費(fèi)資源的平衡度稱為資源的負(fù)載均衡度。當(dāng)單臺(tái)物理機(jī)資源占用率過高,而其他某臺(tái)資源占用率過低的現(xiàn)象發(fā)生時(shí),便會(huì)出現(xiàn)前一臺(tái)物理機(jī)運(yùn)行效率大大降低,而另一臺(tái)則處于閑置狀態(tài)的情況。加上物理機(jī)性能不盡相同的條件,分析得出計(jì)算負(fù)載均衡并不能以物理機(jī)分配資源的多少為標(biāo)準(zhǔn)。因此選取資源占用率為標(biāo)準(zhǔn),并通過統(tǒng)計(jì)標(biāo)準(zhǔn)差對(duì)差異進(jìn)行比較。標(biāo)準(zhǔn)差小時(shí)表示各資源的占用率數(shù)值更接近,則分配方式均衡。反之則不均衡。

      2.3虛擬機(jī)部署算法模型

      將虛擬機(jī)分配到物理機(jī)的方式即為虛擬機(jī)的部署方式。結(jié)合粒子群算法,則定義粒子表示部署虛擬機(jī)的方式,粒子位置的變化表示方式的改變,負(fù)載不均衡度為粒子優(yōu)劣性的判斷標(biāo)準(zhǔn)。

      定義物理機(jī)集合為[H=h1,h2,h3,…,hn],n為物理機(jī)總數(shù)。虛擬機(jī)的集合為[VM=vm1,vm2,vm3,…,vml],l為虛擬機(jī)總數(shù)。虛擬機(jī)到物理機(jī)的部署方案定義為[F?VM×H],對(duì)于任意[(vmi,hj)∈F],表示將i號(hào)虛擬機(jī)部署到j(luò)號(hào)物理機(jī)上。且單臺(tái)物理機(jī)上虛擬機(jī)所占資源的總量,不得超過其自身資源總量,即:

      [?m∈M,Qij≤Rj,j=1,2,…,n] (7)

      [Qij]表示將i號(hào)虛擬機(jī)部署到j(luò)號(hào)物理機(jī)所占用的資源,[Rj]表示i號(hào)物理機(jī)的資源總量。

      定義粒子(長(zhǎng)度為l)表示部署方案,如公式(7)所示,其中[ki]表示將i號(hào)虛擬機(jī)部署到[ki]號(hào)物理機(jī)。

      [x=k1,k2,…,ki,…kl,ki=1,2,…,n] (8)

      定義粒子的速度為v,如公式(8)所示,其中[vi]表示第i位的變化量。

      [v=v1,v2,…,vi,…vn,vi∈-n,n] (9)

      3 基于改進(jìn)粒子群的雙適應(yīng)度任務(wù)調(diào)度算法

      由于虛擬機(jī)數(shù)量遠(yuǎn)小于云平臺(tái)中的任務(wù)數(shù)量,因此需要研究獲取將任務(wù)分配到虛擬機(jī)的最優(yōu)分配方式,即最優(yōu)的任務(wù)調(diào)度策略。傳統(tǒng)的任務(wù)調(diào)度方式將重點(diǎn)放在了任務(wù)的完成時(shí)間上,而忽略了負(fù)載的均衡性,對(duì)此本研究提出了改進(jìn)離子群的任務(wù)調(diào)度算法,來完善這一現(xiàn)象。

      3.1 適應(yīng)度函數(shù)

      在任務(wù)調(diào)度算法中仍可沿用第2節(jié)所提出的改進(jìn)粒子群算法,但要針對(duì)性的作出改進(jìn)。為了能夠根據(jù)虛擬機(jī)性能、任務(wù)情況等提前預(yù)知負(fù)載均衡度和任務(wù)總耗時(shí),本研究采用了雙適應(yīng)度方法,即任務(wù)執(zhí)行總時(shí)間和虛擬機(jī)負(fù)載均衡度,如公式(10)和公式(11)所示。

      [F1(x)=maxr=1lj=1kTime(r,j)] (10)

      其中l(wèi)表示虛擬機(jī)總數(shù),k表示r號(hào)虛擬機(jī)所執(zhí)行的k號(hào)任務(wù),[Time(r,j)]表示r號(hào)虛擬機(jī)所執(zhí)行的j號(hào)任務(wù)運(yùn)行耗時(shí)??紤]到雖然虛擬機(jī)間為并行,但虛擬機(jī)上任務(wù)為串行執(zhí)行,因此可認(rèn)為某一虛擬機(jī)運(yùn)行時(shí)間的最大值即為任務(wù)執(zhí)行的總耗時(shí)。

      [F2(x)=1li=1l(mi-mavg)2] (11)

      其中l(wèi)表示虛擬機(jī)總數(shù),[mi]表示i號(hào)虛擬機(jī)所有任務(wù)占據(jù)的內(nèi)存總量,[mavg]表示所有虛擬機(jī)內(nèi)存使用量的平均值。同樣由于虛擬機(jī)上的任務(wù)以串行方式執(zhí)行,因此無需比較內(nèi)存占用率,而是將分配到每一個(gè)虛擬機(jī)上任務(wù)的內(nèi)存總量作為計(jì)算負(fù)載均衡度的標(biāo)準(zhǔn)。

      結(jié)合上述兩個(gè)公式,定義粒子的適應(yīng)度函數(shù)為:

      [F(x)=1(αF1(x)+βF2(x))] (12)

      其中[α]、[β]分別表示任務(wù)執(zhí)行總時(shí)間和虛擬機(jī)負(fù)載均衡度兩個(gè)適應(yīng)度的影響因子,其值視實(shí)際情況而定,根據(jù)需要可以控制其中一項(xiàng)起主導(dǎo)作用。

      至此可以得出,通過任務(wù)執(zhí)行總時(shí)間和虛擬機(jī)負(fù)載均衡度兩個(gè)適應(yīng)度所共同得出的粒子優(yōu)劣性,既保證了任務(wù)完成時(shí)間最短,又保證了虛擬機(jī)的負(fù)載均衡。

      3.2 任務(wù)調(diào)度算法模型

      定義云平臺(tái)中虛擬機(jī)集合為[VM=vm1,vm2,vm3,…,vmn](n表示虛擬機(jī)總數(shù)),任務(wù)集合為[T=t1,t2,t3,…,tl](l表示任務(wù)總數(shù)),將任務(wù)分配至虛擬機(jī)的方案定義為[F?T×VM],對(duì)于任意,表示將i號(hào)任務(wù)調(diào)度到j(luò)號(hào)虛擬機(jī)上。

      定義粒子(長(zhǎng)度為l)表示調(diào)度方案,如公式(13)所示,其中[ki]表示將i號(hào)任務(wù)調(diào)度到[ki]號(hào)虛擬機(jī)上。

      [x=k1,k2,…,ki,…kl,ki=1,2,…,n] (13)

      定義粒子的速度為v,如公式(14)所示,其中vi表示第i位的變化量。

      [v=v1,v2,…,vi,…vn,vi∈-n,n] (14)

      綜合以上雙適應(yīng)度算法,公式(12)所得出的適應(yīng)度函數(shù)值,即為粒子所對(duì)應(yīng)調(diào)度策略的運(yùn)行總時(shí)間和負(fù)載不均衡度共同作用的結(jié)果,值越小則調(diào)度策略越優(yōu)。

      4 資源調(diào)度算法仿真

      仿真實(shí)驗(yàn)選取CloudSim工具,實(shí)驗(yàn)首先通過建立虛擬數(shù)據(jù)中心,并根據(jù)虛擬機(jī)部署算法將虛擬機(jī)部署到物理機(jī)上,再根據(jù)公式計(jì)算得出物理機(jī)的負(fù)載均衡度,以此驗(yàn)證算法的有效性。其次在上一實(shí)驗(yàn)的基礎(chǔ)上,通過虛擬任務(wù)大小、指令長(zhǎng)度隨機(jī)的多個(gè)任務(wù),并根據(jù)任務(wù)調(diào)度策略將任務(wù)分配至相應(yīng)的虛擬機(jī),最后通過判斷任務(wù)執(zhí)行時(shí)間即虛擬機(jī)的負(fù)載均衡度,來驗(yàn)證算法的有效性。

      4.1 算法參數(shù)

      4.1.1 虛擬機(jī)部署算法

      將粒子的長(zhǎng)度設(shè)為9,粒子位置上的數(shù)表示虛擬機(jī)所分配到的物理機(jī)。將迭代次數(shù)設(shè)為800,并作為算法的結(jié)束條件,當(dāng)?shù)螖?shù)超過該閾值時(shí),便取此刻的全局最優(yōu)解為虛擬機(jī)部署到物理機(jī)的最優(yōu)方式。

      4.1.2 任務(wù)調(diào)度算法

      云任務(wù)的創(chuàng)建表如表3所示。

      考慮到此次實(shí)驗(yàn)運(yùn)行時(shí)間更為重要,因此定義公式(12)中的參數(shù)α=4,β=1,在保證負(fù)載均衡度的同時(shí)使總運(yùn)行時(shí)間最短。

      該實(shí)驗(yàn)的迭代次數(shù)同樣設(shè)為800,當(dāng)?shù)螖?shù)超過該閾值時(shí),便取此時(shí)的全局最優(yōu)解為任務(wù)調(diào)度的最優(yōu)方式。

      4.2 結(jié)果分析

      4.2.1 虛擬機(jī)部署算法結(jié)果分析

      為了驗(yàn)證模擬退火算法的引入改善了傳統(tǒng)粒子群算法的收斂性,實(shí)驗(yàn)將傳統(tǒng)粒子群算法(PSO)與提出的虛擬機(jī)部署算法(即SA-PSO)相比較,定義F為適應(yīng)度,Y=1-F為負(fù)載均衡度,實(shí)驗(yàn)結(jié)果如圖3所示。

      分析圖3可知,傳統(tǒng)粒子群算法在初次得到最優(yōu)解后便認(rèn)定該值為最優(yōu)解,不再調(diào)整。而改進(jìn)粒子算法由于退火模擬算法的作用,會(huì)跳出局部最優(yōu)解并不斷調(diào)整,最終獲得更優(yōu)的最優(yōu)解,證明了引入模擬退火算法的有效性。為了驗(yàn)證改進(jìn)粒子群算法在虛擬機(jī)部署方面的有效性,實(shí)驗(yàn)選取在同等條件下只改變虛擬機(jī)和物理機(jī)的個(gè)數(shù),所得到的結(jié)果如圖4所示。

      分析圖4可知,系統(tǒng)的負(fù)載均衡度會(huì)隨著物理機(jī)和虛擬機(jī)個(gè)數(shù)的增加而降低,但使用改進(jìn)粒子群算法的負(fù)載均衡度要優(yōu)于傳統(tǒng)粒子群算法的負(fù)載均衡度,能達(dá)到更好的部署效果。

      4.2.2 任務(wù)調(diào)度算法結(jié)果分析

      定義任務(wù)個(gè)數(shù)范圍為50~400,梯度為50。指令長(zhǎng)度范圍為10000-30000MI,任務(wù)長(zhǎng)度范圍為200-400MB,兩者均隨機(jī)生成。通過提出的任務(wù)調(diào)度算法(DF-PSO)和貪心算法(GA)對(duì)任務(wù)進(jìn)行調(diào)度,并比對(duì)任務(wù)完成的總時(shí)間和負(fù)載均衡度,得出的結(jié)果如圖5所示。

      分析圖5可知,隨著任務(wù)數(shù)量的增加,任務(wù)的執(zhí)行時(shí)間幾乎相同, GA的調(diào)度方式有時(shí)更優(yōu)。

      定義負(fù)載均衡度Y=1-F/10000,實(shí)驗(yàn)得出的任務(wù)調(diào)度算法(DF-PSO)和貪心算法(GA)的負(fù)載均衡度如圖6所示。從圖分析得出所提出的任務(wù)調(diào)度算法在負(fù)載均衡性上明顯優(yōu)于貪心算法。

      分析圖5和圖6可知,所提出的基于粒子群雙適應(yīng)度任務(wù)調(diào)度算法,雖然犧牲了一定的任務(wù)執(zhí)行時(shí)間,但卻在負(fù)載均衡上占有很大的優(yōu)勢(shì),因此對(duì)資源調(diào)度具有一定的價(jià)值。

      5 結(jié)束語

      在分析云資源調(diào)度方式的基礎(chǔ)上,提出了基于改進(jìn)粒子群的虛擬機(jī)部署算法以及基于改進(jìn)粒子群的雙適應(yīng)度任務(wù)調(diào)度算法,并通過實(shí)驗(yàn)對(duì)資源調(diào)度算法進(jìn)行了仿真,證明了算法在提高云計(jì)算資源利用效率方面的有效性。

      參考文獻(xiàn):

      [1] 鄧傳華,范通讓,高峰. Hadoop下基于統(tǒng)計(jì)最優(yōu)的資源調(diào)度算法[J].計(jì)算機(jī)應(yīng)用研究,2013(2):417-419+422.

      [2] 姚婧,何聚厚. 基于自適應(yīng)蜂群算法的云計(jì)算負(fù)載平衡機(jī)制[J].計(jì)算機(jī)應(yīng)用,2012(9):2448-2450+2454.

      [3] M. Bist, M. Wariya and A. Agarwal, Comparing delta, open stack and Xen Cloud Platforms: A survey on open source IaaS, Advance Computing Conference (IACC), 2013 IEEE 3rd International, Ghaziabad, 2013, pp. 96-100.

      [4] Q. Li and Y. Guo, Optimization of Resource Scheduling in Cloud Computing, Symbolic and Numeric Algorithms for Scientific Computing (SYNASC), 2010 12th International Symposium on, Timisoara, 2010, pp. 315-320.

      [5] 羅中良,劉強(qiáng),劉小勇. 一類混合模擬退火與蟻群優(yōu)化算法及其收斂性分析[J].工業(yè)儀表與自動(dòng)化裝置,2008(4):3-6.

      [6] 苗壯. 基于CloudStack的IaaS資源調(diào)度策略研究[D].哈爾濱工業(yè)大學(xué),2014.

      [7] 馬良. IAAS云計(jì)算平臺(tái)中資源管理和調(diào)度技術(shù)的研究[D].北京郵電大學(xué),2013.

      [8] 王炳旭. 基于IaaS云平臺(tái)的Hadoop資源調(diào)度策略研究[D].北京交通大學(xué),2016.

      [9] 張小慶. 基于云計(jì)算環(huán)境的資源提供優(yōu)化方法研究[D].武漢理工大學(xué),2013.

      [10] Y. Wang, J. Wang, C. Wang, J. Sun and X. Song, "Utility optimization strategy of resource scheduling in cloud computing," 2016 35th Chinese Control Conference (CCC), Chengdu, 2016, pp. 5235-5238.

      [11] 白凱. IaaS平臺(tái)資源管理方案的設(shè)計(jì)與實(shí)現(xiàn)[D].西北大學(xué),2012.

      [12] 高貴升. 基于OpenStack的計(jì)算云的研究與實(shí)現(xiàn)[D].成都理工大學(xué),2012.

      [13] 王波,張曉磊. 基于粒子群遺傳算法的云計(jì)算任務(wù)調(diào)度研究[J].計(jì)算機(jī)工程與應(yīng)用,2015(6):84-88

      猜你喜歡
      粒子群算法云計(jì)算
      蟻群算法的運(yùn)用及其優(yōu)化分析
      電力市場(chǎng)交易背景下水電站優(yōu)化調(diào)度研究
      基于粒子群算法的產(chǎn)業(yè)技術(shù)創(chuàng)新生態(tài)系統(tǒng)運(yùn)行穩(wěn)定性組合評(píng)價(jià)研究
      志愿服務(wù)與“互聯(lián)網(wǎng)+”結(jié)合模式探究
      云計(jì)算與虛擬化
      基于云計(jì)算的移動(dòng)學(xué)習(xí)平臺(tái)的設(shè)計(jì)
      實(shí)驗(yàn)云:理論教學(xué)與實(shí)驗(yàn)教學(xué)深度融合的助推器
      云計(jì)算中的存儲(chǔ)虛擬化技術(shù)應(yīng)用
      科技視界(2016年20期)2016-09-29 13:34:06
      無線傳感器網(wǎng)絡(luò)聯(lián)盟初始結(jié)構(gòu)生成研究
      交通堵塞擾動(dòng)下多車場(chǎng)車輛路徑優(yōu)化
      商(2016年5期)2016-03-28 18:10:26
      阜新市| 兴安盟| 临潭县| 大港区| 如东县| 汪清县| 南阳市| 洛川县| 改则县| 米泉市| 新民市| 芜湖市| 雷州市| 静乐县| 河北省| 青铜峡市| 大港区| 贵港市| 屯门区| 灵武市| 平利县| 自治县| 东乡| 青川县| 文登市| 南澳县| 惠东县| 潮安县| 汉川市| 怀化市| 平武县| 台州市| 达日县| 巴东县| 海口市| 梁山县| 临清市| 义乌市| 安岳县| 郴州市| 阳泉市|