上世纪90年代,互联网技术飞速发展并逐渐普及,推动了一种新的分布式计算系统的诞生——网格。网格一词来源于电力网格。网格的一个常用的定义是基于互联网的基础设施,地理上分布的聚集,并作为组合,解决大规模异构资源的问题。在网格环境,由不同的管理者实现对资源的提供和管理。网格资源随时间变化,这种变化将影响运行在网格上执行的任务。如果我们能够预测未来的网格资源信息,调度程序将能够更加有效的实现对网格资源的管理。网格环境下对资源的分配与任务的调度是网格计算的基础性问题。而资源的可用性必定是网格计算的决定性的影响因素。在网格环境下,一般通过两种手段来获取网格资源的性能信息:网格资源监测和网格资源预测。主要目的进行网格资源监测:应用相应的监测手段,得到系统网格内各种资源的分布,状态,负载和出现的故障情况;网格资源预测其主要目的是对以往的监测数据进行建模和分析,通过对历史数据的分析了解网格系统内资源的变化规律和发展方向。监测功能能够提供历史数据和当前数据,而预测功能能够预测未来信息的变化情况,两者互为补充。本文工作主要围绕网格资源的预测进行展开,通过对网格资源预测架构原理的学习,将支持向量回归模型引入到网格资源预测中来,通过对现有的典型模拟退火算法优化支持向量回归机的优化效果比较,实现改进模拟退火算法以提高其优化支持向量回归机的性能。在网格资源监测和预测的研究过程中,许多有关的研究模型已经制定并在实践中产生了准确的预测结果。这些预测模型一般适用于未来的时间序列预测模型提供资源预测,其中大部份使用统计和人工智能的方法。资源预测系统(RPS)是一个以网格资源的线性时间序列的过程建模网格资源预测系统。AR模型因为其良好的预测能力和低开销成为最佳资源预测模式。网络气象服务(NWS)通过运用一个资源预测几种模型的组合实现了对一种资源的预测。网络气象服务模型通过动态的在多个模型中选择最近表现最好的模型作为最佳模型实现对未来资源的预测。但是这种应用的模型选择仅被限制在选择几个传统的统计预测模型之中。随着人工神经网络的发展,人工神经网络已经被成功地运用到时间序列的资源预测之中。Eswaradass等人通过采用人工神经网络成功的实现了网格资源预测。实验结果表明,人工神经网络的方法提供了一个较新时间序列资源预测方法。然而,人工神经网络存在难以预先选择系统架构,花费更多的训练时间,和缺乏知识表示等诸多缺点。1995年,普尼克提出应用支持向量机模型来进行资源预测的观点,实验结果表明,支持向量机模型在资源预测方面比人工神经网络能够取得更加理想的结果。支持向量机的解的稀疏性,解的唯一性和良好的泛化性,成为解决非线性问题的重要方法。本文从支持向量机思想、核函数原理、凸规划求解等方面讨论了支持向量回归的理论。支持向量机既能够成功和有效的解决分类问题也能够解决向量回归问题。然而,SVR的参数的确定是一个开放的问题,没有一般准则可供选择这些参数。尽管支持向量回归机的预测性能对支持向量回归机的参数选择有着很强的依赖性。然而,目前并没有一种成熟的方法去选择一组比较理想的支持向量回归机参数。这也是制约支持向量回归机应用于更多预测领域的原因。反复试验法(trial and error)是一种比较常用参数确定的方法。但这种方法,耗时多,而且不稳定,所以对于动态网格资源预测来讲这种方法很难满足其要求。模拟退火算法(SA)是一种有效的优化算法,并已成功地应用于各种NP难组合优化问题。因此,在本文的研究中,模拟退火算法是被采用来确定SVR模型的参数。本文详细介绍了模拟退火算法的工作原理,模拟退火算法的特点。由于模拟退火算法有很多种,选取一种最适合的来进行支持向量回归机的优化是本文的一个重点。本文详细介绍了常用的两种典型的模拟退火算法: (1)快速模拟退火算法。(2)有记忆模拟退火算法。在应用前两种模拟退火算法优化支持向量机过程中,发现这两种算法有着一些不足之处,所以本文提出了一种改进两阶段模拟退火算法,改进后的模拟退火算法不但能够得到比较理想的优化参数,更有很好的时间效率。本文同时详细介绍了模拟退火算法支持向量机的架构,工作原理。模拟退火算法在数据实验中显示出较高性能,因此本文将利用模拟退火算法对支持向量预测模型进行参数优化。实验结果表明,SA算法具有较高的效率及良好收敛性,优化后的支持向量机在网格资源预测中具有较高精度,因此适用于网格资源监测预测系统。为了实现精准的网格资源调度网格资源预测是至关重要的。在本文研究中,提出应用支持向量回归(SVR)一种新的有效的回归算法,应用到网格资源预测中来。为了建立一个有效的SVR的模型,SVR的参数,必须认真选择。因此,本文提出了模拟退火算法的SVR(SA-SVR)模型,此模型可以自动确定SVR的模型的最优参数,同时具有更高的资源预测精度和时效。伴随着网格技术的不断发展和更新,新的网格框架的不断的涌现,导致网格体现出更多新的特性,同时也优化了网格性能。将网格与大型计算机相比较,网格成本相对更低,而且具有高于大型计算机的优良性能。所以,网格的发展在未来有更为广阔的发展前景。由于网格预测及监控模块已在OGSA规范中给出了定义,由此可以看出,GGF也非常重视网格的预测及监控。所以,有对网格预测及监控进一步进行研究的价值和意义。