Storm是一种在分布式集群部署运行的大数据流式计算框架,具有开源社区活跃、兼容性良好等优点。流式大数据计算的实时性需求较高,所以任务调度方法和面对突发未知流量变化时的资源动态调整成为了关键问题。Storm框架采用公平轮询的任务调度机制,是一种未综合考虑资源利用率、任务通信代价等方面的简单任务调度方式。流式大数据输入往往伴随着流量洪峰或低谷,面对此种情况,若不及时地进行集群资源动态调整,则将会带来作业难以运转导致的响应时间增加或集群节点空转导致的资源浪费等问题。针对上述问题,本文在流式大数据Storm集群环境下任务调度和资源动态调整算法进行了深入研究,以下为主要研究工作内容:1)提出了 一种多目标离散适应度距离比粒子群算法（MDFDRPSO,缩写为MDFP）与欧式距离负载均衡算法（EDLB）结合获取任务调度方案的方法。首先为了解决流式任务计算集群环境下的任务调度问题,将粒子群算法场景化,即多目标离散化,设计粒子的含义、目标函数等。其次使用适应度距离比的思想提出向邻居学习,同时设计了时变的惯性因子和学习因子用于平衡搜索能力、调节搜索过程,得到一组任务调度较优解集。EDLB算法在解集中根据资源类型三维欧式距离模型决定最终的方案。此算法的结果为最终任务调度方案,既考虑提高资源利用率又能兼顾负载均衡,使任务能合理地分配到节点上运行。2)为了适应运行期间流量变化,提出了基于信息素的FSarsa（0）算法（PFSarsa（0））做出资源动态调整动作的决策。首先构建了预测模块,根据收集监测信息进行提前预测算法输入值。随后设计了模糊强化学习算法中隶属度、规则、即时奖励等细节,构建了完整的模糊逻辑控制器。同时使用基于蚁群算法的信息素记录学习过程状态变化的历史信息,指导本文设计的模糊强化学习算法迭代中向下一步误差的学习率。3)通过搭建集群和设计实验,实验结果表明了本文算法可以通过合理地确定任务调度方案、有效及时进行资源动态调整,从而达到提升Storm系统运行流式作业时的性能,并且验证了其有效性。