近些年来,互联网发展迅猛,给人们的工作和生活带来了翻天覆地的改变。同时,信息技术的不断发展也导致了很多新兴产业的产生,云计算就在互联网的发展浪潮中应运而生。近年来,云计算逐渐成为了信息产业的主流发展趋势,不仅被各大互联网企业竞相采用,同时云计算资源优化问题也成为了学术界研究的热点。随着云用户的规模越来越大,云任务越来越多样化、复杂化以及动态化,这些都对云资源的分配策略提出了更高的要求。本文在国内外研究的基础上,提出一种改进的云资源收益优化模型,既考虑到服务商的收益,同时又考虑到服务商与用户协商好的SLA协议,兼顾服务的响应时间等服务质量问题层面的约束机制。最后,对求解模型的算法及任务分配策略进行了实验性能分析,验证了本文研究的模型和算法具有较高的实效性。本文的主要内容如下:(1)充分考虑了用户对服务质量特别是对响应时间的要求,同时以云服务提供商的收益最大化为目标建立模型。首先介绍了云资源管理平台中的各功能模块以及各模块之间的信息流动,然后利用排队理论对服务请求的响应时间进行了估计,并设置相关参数对请求的处理时间进行了计算。本文考虑了用户请求的分层,即一个用户请求可以分为多个子请求,分配到不同的服务器进行处理。(2)在建立的资源分配模型中存在多个互相约束的变量,并且模型为非线性模型,对模型的求解归属为NP-Hard问题求解。对于这类问题的求解一般可采用贪心算法、群智能优化算法等启发式方法。本文提出了面向云资源收益模型的PSO-ACO算法对模型进行求解。PSO-ACO算法是混合群智能优化算法,能对模型进行高效求解。算法没有贪心算法证明过程的复杂,并且比群智能优化算法收敛速度更快,结果更优。本文对算法进行了整体的编码实现,并对离散变量进行了连续化处理。(3)考虑到当算法中种群规模过大或者请求数量比较多时,在单机环境下求解模型耗费时间比较长的问题,采用了基于MapReduce分布式编程模型进行并行求解。最后在单机环境和基于Hadoop的分布式平台上分别对模型进行求解,并对实验结果进行了对比分析。实验表明,PSO-ACO算法能比较有效的动态寻找最优解,且在种群规模较大时,并行求解能节省运算的时间,提高执行效率。