通过虚拟化技术,云计算实现了计算、存储等资源的灵活分配。资源规模大、多任务并发执行、应用资源请求动态变化等使得云计算中心资源分配面临严峻的挑战。实时动态资源分配与调整是实现云计算中心资源高效分配利用并保证服务质量的有效方法。本文聚焦于云计算中心的资源分配优化,通过高效的动态调整实现用户需求与环境自适应的资源实时优化利用。主要研究工作如下:针对Nelder-Mead、hill-climbing等资源分配调整算法采用的是局部最优的方法,且存在因迭代次数多、收敛速度慢而难以快速响应应用负载需求动态变化的问题。通过云计算中心资源与应用负载需求的快速映射,提出一种基于强化学习(reinforcement learning,RL)的资源优化分配策略构建方法,实现实时响应用户负载动态变化,保证承载应用负载的虚拟机保持high-productive(高工作效率)的配置状态;将资源动态弹性调整分了自治层、资源层、虚拟机层三个层次,提出一种应用需求自适应的资源动态弹性调整方法,在保证资源需求动态变化下的云计算中心服务质量的基础上提高了资源利用率。实验结果表明,相比Nelder-Mead方法,所提出方法的资源动态分配时延降低了20%。针对基于RL的资源优化分配策略构建的学习过程因每次迭代均通过随机策略ε-greedy折中探索和利用两个过程生成虚拟机资源分配策略,其探索过程随机分配虚拟机资源可能降低虚拟机承载应用的性能,失去探索的意义而影响学习效率。通过抽取核心系统指标(如CPU、内存利用率等)减少探索过程中可能降低虚拟机承载应用性能的资源分配从而加快学习过程,提出了基于系统知识指导探索过程的策略构建方法,提高了资源分配策略构建学习过程效率。针对基于策略的自适应资源动态弹性调整方法的搜索配置集较大而导致构建策略过程收敛速度减慢、虚拟机在线自适应资源动态调整搜索时间较长的问题,提出了使用随机Nelder-Mead(RNM)算法将搜索范围缩减到最佳配置集,即在该配置集中大多资源配置都能使虚拟机承载的应用满足SLA(Service Level Agreement),从而提高算法收敛速度及在线资源调整效率。根据以上改进,提出了RNM-RL资源动态弹性算法,该算法利用了RNM全局搜索能力和RL算法的扩展性与自适应性的优势,并通过基于系统知识指导探索策略较ε-greedy策略提高了算法的学习效率。实验结果表明,相比Nelder-Mead方法,所提出方法的资源动态分配时延降低了26%。相比基于策略的资源动态弹性调整方法,所提出方法的资源动态分配时延降低了5.5%。基于所研究的方法,本文设计了云计算中心资源高效优化分配系统,该系统具有监控应用负载、资源优化分配策略构建、资源动态弹性调整等功能,能够实现云计算中心的实时资源调整并保证服务质量,并通过性能测试验证了所研究方法的有效性。