随着云计算的发展及普及,提升整体的资源管理及运营效率、优化投资已成为关键。在云计算应用环境中,资源和任务调度需要考虑多种异构资源以及复杂多变的应用需求,同时兼顾各种性能需求,包括数据中心的整体能耗、资源利用率、经济效益、用户服务质量等等。这些问题通常相互关联,相互促进或抑制,不能使用简单的权重赋值的方式来解决。因此云计算调度问题具有离散优化和多目标优化的共同特征,很适合采用优化算法来求解。但云计算环境中资源的异构性、应用的多样性和动态性,以及多重约束及多重优化目标要求,对优化算法提出了更高的要求,并需要确保优化算法的高可靠性、稳定性和可扩展性。本文重点对新型群智能算法进行研究,并应用于解决云计算环境中的多目标离散优化问题。本文的主要研究工作包括:1)研究新型入侵肿瘤生长优化算法ITGO(Invasive Tumor Growth Optimization),对基础的ITGO算法进行优化设计,并扩展到离散化空间,使之可用于求解离散问题。ITGO算法是本实验室提出一种基于肿瘤细胞生长机制的新型群智能算法,通过生长细胞、入侵细胞、休眠细胞、死亡细胞等四类细胞在营养环境中的相互转换及迁移来求解优化问题。针对ITGO算法存在的搜索效率问题,本文对细胞转化策略、细胞生长策略和步长策略的进行优化设计,使ITGO算法具有更高的搜索效率,与粒子群算法PSO、遗传算法GA、差分进化算法DE等经典优化算法相比,改进后的算法ITGO+具有更好的收敛度。在此基础上,本文提出了离散化D-ITGO算法,通过设计细胞个体的映射方案,用于离散解空间的搜索过程,将算法映射到离散化解空间。与ITGO算法相比,D-ITGO算法不但拥有更高的搜索效率和搜索性能,而且可应用在求解云计算任务调度问题上,与其他任务调度算法相比,D-ITGO算法也具有较优的时间优势。2)设计实现了面向多目标优化的有血管入侵肿瘤生长优化算法VITGO(Vascular Invasive Tumor Growth Optimization)。针对通用多目标优化的特点,本文在ITGO算法的基础上,重构了整个肿瘤细胞种群的生长模型,借鉴肿瘤细胞的有血管生长机制,使用血管引导肿瘤细胞生长,并根据一般性的多目标优化问题的特点,定义血管的类型以及生长模式,同时重新设计了各类细胞的搜索方式、转化模式、初始化策略,以配合血管单元的生长,使之可用于求解一系列的多目标优化问题。为了提升算法效率,本文提出了更有效的边界判定与检测、帕累托前沿端点的检测与利用、去除高度相似的帕累托解等方案,有效提升了算法的搜索效率,避免冗余计算。在大多数基准测试函数上,VITGO在帕累托前沿的求解上均优于目前经典和最新的多目标优化算法。3)设计并实现了一种基于混合优化的萤火虫群算法HGSO(Hybrid Glowworm Swarm Optimization),求解云计算任务调度问题。针对原有萤火虫群算法GSO收敛速度慢、易陷入局部最优解的缺陷,本文提出混合优化HGSO算法,结合群智能算法搜索速度快、范围广的优点和进化算法优胜劣汰/收敛速度快的优点,并设计了三个针对性的改进策略,包括基于精英个体衍生的优胜劣汰策略、基于萤火虫群近邻模型的量子跃迁策略、以及全随机游走策略,使算法具有更高的收敛速度,并能及时跳出局部最优解。在应用于云计算任务调度问题中,HGSO算法具有较快的收敛特性,且找到的云计算任务调度策略(最优解),相比其他算法,在优化目标即最大任务完成时间Makespan上具有12%-35%不等的性能优势。4)设计实现了面向虚拟机调度优化的多目标入侵肿瘤生长优化算法VMITGO(Virtual machine consolidation oriented Multi-objective Invasive Tumor Growth Optimization)。本文借鉴肿瘤细胞的无血管生长模型,设计了不同种类细胞之间的转化、各向生长的搜索模式,构建了一个求解多目标优化问题的基础计算框架MITGO,并应用于求解虚拟机整合问题。根据虚拟机整合问题的多目标优化需求,本文设计了兼顾能耗、虚拟机迁移、负载均衡等多个目标的优化函数,并提出了半初始化方案及两种虚拟机替代方案,减少虚拟机迁移数目和迁移时长,降低数据中心的能耗、实现负载均衡。在Google Trace Data数据集上的实验结果表明,基于多目标优化算法本身的各向搜索及个体跟随生成方案,具有较好的搜索效率;VMITGO算法在能耗、虚拟机迁移数目、负载均衡三个指标上表现良好,综合表现优于对比算法。本文的主要工作是研究新型的群智能优化算法,并应用于解决云计算应用场景中的优化问题。在未来的工作中,将会对入侵肿瘤生长优化算法ITGO算法等群智能算法进行深化研究,以适应未来的更为复杂应用场景中的云计算环境下的应用问题,以及其他应用场景下更多的现实应用问题。