作为云计算系统中的关键问题之一,如何在复杂多变的云计算网络中高效的调度资源仍旧是个难题。国内外学者对确定环境下的云计算资源调度问题建立了多种模型,并使用智能优化算法对模型进行求解。但在实际应用中,任务在资源节点上的执行过程是不确定的,且目前的算法性能仍有很大的提升空间。本文基于模糊规划理论,研究了不确定环境下的云计算资源调度问题,使用模糊数表示任务执行时间,建立了更符合实际应用的模糊云资源调度模型,并在现有算法的基础上,研究出了性能更好的调度算法。本文使用三角模糊数表示任务在资源节点上的执行时间,建立了时间-成本约束下基于三角模糊数的云计算资源调度模型,决策变量是任务与虚拟机的对应关系矩阵,调度目标是降低任务的总执行时间和成本。本文在CACO的基础上,引入无限折叠映射和精英策略,提出了自适应混沌精英蚁群算法(ECACO)。仿真实验表明,不确定因素的存在会降低云资源调度的效率,因此必须予以考虑。在算法的对比实验中,ECACO在小规模调度和大规模调度上都表现出了较好的性能。为了更精确的表示不确定值,在之后的研究中,本文引入了Z-number来表示任务的执行时间,建立了基于Z-number的多目标云资源调度模型,并给出了Z-number的排序方法。在ACO的基础上,本文引入三种策略进行优化,提出了混合蚁群算法(HACO)。三种策略分别是基于最小空闲策略的启发式规则、蚁群状态转移规则和局部搜索策略。在仿真实验中,通过与GA、ACO、CACO和CACO-SVR的对比,证明了HACO在求解能力、收敛速度和系统负载方面的优越性能。为了分析与验证本文提出的模型及算法优化理论,使用开源框架开发了云计算资源调度仿真算法平台。该平台具有通用性和易扩展性,集成了不同的云资源调度模型和算法,可以较为方便的比较不同模型和不同算法之间的性能差异,以此为模型和算法性能分析提供实验依据。