随着信息技术的快速发展,以及大数据环境下技术和存储等需求的不断增长,云计算作为一种新的资源利用模式,使得用户可以通过互联网以按需付费的方式方便、快捷地获取服务。由于云计算资源的有限性,以及用户和供应商需求的多样性,如何“最优地”调度云计算资源已成为近年来学术界调度领域的热点问题。目前,相关研究文献的求解方法多以演化计算方法为主,无法考虑到调度时任务之间潜在的相互依赖关系。然而,相较于传统智能计算方法,分布估计算法能够从优势种群中学习概率模型,在构建变量之间的依赖关系上具有无可比拟的优势。考虑到云计算资源调度问题具有很强的实际应用背景,设计出一种有效的调度算法对于提高用户满意度和供应商效益都具有重要的现实意义。本文主要从软件即服务(SoftwareasaService,SaaS)层的用户服务质量(Qual-ity of Service,QoS)优化问题出发,研究考虑具体优化目标和约束条件的云计算资源调度问题,并根据所研究问题的性质设计出相应有效的分布估计算法。首先,本文系统地描述了研究问题的相关背景以及研究现状,然后简单介绍了云计算资源调度问题的分类并描述了该类问题的常见求解算法,最后我们分两章对所研究的两种具体问题和所对应的分布估计算法进行详细描述。本文先研究了最小化独立任务调度的最大完工时间问题,在对问题进行数学建模后,我们选择了一种变量无关的分布估计算法并在此基础上进行改进。我们主要从算法的编码方案、自适应学习率函数、概率模型、初始化种群和抽样策略几个方面进行改进,同时混合一种改进的遗传算法。仿真结果表明,我们改进后的分布估计算法在获得更高质量解的同时也拥有更快的收敛速度。接着本文设计了一种基于马尔可夫链模型的、变量相关的混合分布估计算法,用来求解在满足用户截止日期限制的前提下最小化用户开销(执行成本)的问题。在算法设计方面,我们创新性地提出虚拟机选择多样性的概念,并采用两种不同的边缘概率计算方法;此外,一种实时启发式信息和概率计算改进策略被混合应用于条件概率计算过程;最后,通过在抽样过程中混合简单禁忌算法,使得种群在进化过程中保持较高的多样性。仿真结果表明,本文所提出的混合分布估计算法不仅在求解质量上优于其它对比算法,在收敛性和满足用户截止日期限制方面同样有着较高的竞争力。最后,对本文的研究成果进行总结并展望进一步可研究的方向。