云计算作为一种新兴的IT服务模式,是当前研究的一个热点,它以服务访问的方式向用户按需提供可靠、廉价的计算资源。借助于虚拟化技术,云计算将云环境下规模庞大、结构复杂的物理资源转化成不同种类的虚拟资源池进行统一管理,对云端提交的任务进行自动化部署,使得服务购买者能够在使用计算资源的同时,不必增加额外的购置、维护资源的开销。而实现这样一个平台要解决的关键问题之一便是如何有效的进行资源调度。资源调度的核心是高效地建立资源与任务之间映射关系,主要包含了两个层次的调度:一是在虚拟资源层面,即是建立云任务和虚拟资源的映射,二是在物理资源层面,即是建立虚拟资源和宿主机之间的映射关系。良好的资源调度策略应该满足用户QoS、缩短云任务的执行时间、实现负载均衡和经济高效等目标,它决定了云计算平台的整体性能。蚁群算法(ACO)是一种通过蚁群之间的协作而达到寻优目的群体智能算法,其思想是受到蚂蚁觅食过程的启发。其主要原理是蚁群在行进的过程中会释放和感知信息素的浓度,并且在信息素的指导下根据轮盘赌法则选择下一时刻行进的方向。在蚁群行进过程中,信息素实际上是作为了群体间信息传递的媒介。蚁群的信息素机制是一种正反馈机制,随着时间的推移,较优路径在单位时间内积聚的信息素量呈上升趋势,蚁群数量也会逐步递增,在这种正反馈机制下蚁群和信息素相互作用,算法最终达到收敛状态。蚁群算法对于解决组合优化问题具有较好的适应性。而云环境下资源与任务之间的映射本质上也是一个组合优化问题,因此本文采用了蚁群算法来探讨云计算的资源调度问题。本文在研究了云计算体系结构和运行模式的基础上,探索了资源调度的模型,明确了资源调度要解决的问题。针对蚁群算法执行时间长的缺点,引入了子空间搜索和多态蚁群两种机制来对算法的复杂度进行降维处理。在此基础之上,改进蚁群算法来适应第二个层面的资源调度问题,即虚拟机对物理主机的调度。调度的目标是要实现数据中心节能和负载均衡。在行文最后借助于CloudSim平台对算法进行了仿真验证,实验结果表明数据中心的能耗得到了有效控制并且负载均衡水平良好。