传统网络中需部署特定物理设备来提供特制功能以满足用户的服务请求,这会造成网络固化,后期升级和维护将花费巨额成本。网络功能虚拟化(Network Functions Virtualization,NFV)通过软硬分离和虚拟化技术,实现了灵活动态的部署和迁移网络功能,很好的解决了上述问题。NFV体系实施过程中的一个关键问题是VNF部署问题,如何在满足各种资源约束和开销下,找出尽可能优的方案将VNF部署在底层硬件上,是本文研究的核心。本文以端到端时延最小化为优化目标,提出了三种改进的元启发式算法来解决,并探索利用Spark平台并行化算法来提升算法性能,具体内容如下:1)提出一种改进型鲸鱼算法。该算法受到遗传算法和果蝇优化算法启发,结合个体交叉操作和个体变异策略,并设计了一种基于概率浓度的最优个体引导策略来增强解质量,加快算法收敛。实验结果表明,相比于经典的遗传算法、粒子群算法等,该算法能获得更优的部署方案。2)提出一种改进型灰狼算法。该算法设计了一种个体角色自适应调整策略,通过个体适应度值把灰狼个体动态的划分为局部挖掘灰狼和全局搜索灰狼,全局搜索灰狼执行基于增量更新的全局搜索操作,增加多样性,局部挖掘灰狼执行基于蚁群寻路的局部挖掘策略,加强搜索结果。实验仿真表明,该算法在所有实现的算法中能获得最优的结果,且算法相对比较稳定。3)提出一种改进型布谷鸟算法。该算法受到粒子群算法启发,在每个个体内部存储了搜索至今的历史最优解,并引入全局因子和局部因子控制个体更新,设计了逻辑邻域搜索和物理邻域搜索两种方式来加强局部挖掘。结果表明,该算法相比于传统的元启发式算法能获得更优的解,且算法速度较快。4)提出了元启发式算法的两种并行化方式。针对基于种群搜索的这类元启发式算法簇,本文详细分析其特点,提出了并行化模型,并基于Spark平台实现了一种通用并行化方法,在通用并行化方法的基础上,针对其缺陷设计了一种定制化的改进型并行化方法。最终结果表明,改进型并行化方法拥有更好的求解效果,能增强算法稳定性,在大规模场景或问题下,能加快算法执行效率,提升运行速度。