云計算環境中的資源具有動態性和異構性，大規模任務資源分配的目標是最小化完成時間和資源占用，同時具有盡可能好的負載均衡，這是一個非確定性多項式（ NP）問題。借鑒智能群體算法的優點，提出基于改進的粒子群優化（ PSO）算法構建混合式群體智能調度策略——動態隨機擾動的PSO策略（DRDPSO）。首先，將PSO的慣性權重常數修改為變量，實現對求解過程收斂速度的合理控制；其次，縮小每次迭代的搜索范圍，在保留候選最優集合的前提下減少無效搜索；然后，引入選擇操作，篩選出優質個體并傳遞到下一代；最后，設計隨機擾動，提高候選解的多樣性，在一定程度上避免了局部最優陷阱。在CloudSim平臺上進行了兩類仿真測試，結果表明，處理同構任務時，在大部分情況下DRDPSO的指標都優于模擬退火遺傳算法（SAGA）和遺傳算法（GA） +PSO算法，總執行時間比SAGA減少13. 7qo～37. 0010，比GA +PSO減少13. 6qo～31. 60/0；其資源耗費比SAGA減少9.80/0～17. 1010，比GA +PSO減少0.6%～31.1%；其迭代次數比SAGA減少15. 7%~60. 2%，比GA+ PSO減少1.4%~ 54. 7%；其負載均衡度比SAGA減小8.1%~18.5%，比GA +PSO減少2.7%~ 15. 30/0，且波動幅度最小。處理異構任務時，三種算法表現出相似的規律：CPU型任務的總執行時間最多，混合型任務次之，10型任務最少，DRDPSO的綜合指標最好，較為適合處理多種類型的異構任務，而GA +PSO算法適合快速求解混合型任務，SAGA則適合快速求解10型任務。所提DRDPSO在處理較大規模的同構和異構任務時，能夠較為明顯地縮短總的任務執行時間，不同程度地提高資源利用率，并適當兼顧計算節點的負載均衡。

?

　　云計算通過虛擬化技術將網絡計算資源整合在一起，組成一個龐大的計算節點池，用戶通過瀏覽器按需獲得資源，完成數據處理任務。網絡計算資源龐大且分散，要根據用戶請求將資源動態地分配給各個任務，就需要進行合理的資源調度。任務調度策略對用戶任務的執行效率、系統資源的使用效率、任務執行成本、負載均衡、系統穩定性等均有直接的影響。云計算環境中的資源具有動態性和異構性，對大規模任務進行資源分配和調度時，不僅需要最小化完成時間和提高系統使用率，而且要考慮資源負載均衡、服務質量，是一個非確定性多項式（ Non-deterministic Polynomial，NP）問題。