随着信息产业的急速发展,迎来了大数据的时代。网络中数据量的剧增给已经成熟的网络结构提出了巨大的挑战。云计算是依托成熟的虚拟化技术,从网格计算、分布式计算和协同计算的基础上发展出来的。而云环境具有异构性和动态性,如何根据用户及任务的特点和需求进行资源的合理分配是需要解决的重要问题之一。针对大型云计算环境下的多节点协作问题建立了动态分级的网络计算模型,并进一步提出了动态分级的资源分配算法(Dynamically Hierarchical Resource-Allocation Algorithm,DHRA).动态分级网络计算模型采用模糊模式识别理论,根据任务和资源节点的信息将其动态地分为不同的等级。从而形成动态分级的网络计算模型。因此对于每个任务只需要在相应等级的节点中寻找合适的节点执行即可,有效地减小了问题的规模。在此基础上,在资源分配算法中引入多Agent机制,增加了系统的可靠性和自主性。综合考虑了任务的完成时间、节点的负载、系统通信量等因素,使得算法在各方面都有较好的性能和效率。对于由大型应用分解的相互关联子任务的并行计算问题,由于所有任务的计算量和所需资源等信息都是已知的,采用随机搜索类算法中的遗传算法。并为了实现多方面的性能优化,提出多目标遗传算法(Multi-Object Genetic Algorithm, MOGA)。采用任务完成时间和任务节点相关性两个适应度函数共同控制种群的进化方向。实现了在保证完成时间的前提下减少通信量的目的。对于DHRA算法和传统的协商算法产生的通信量,进行了定量的理论分析,证明DHRA算法可以有效地减少系统通信量。并且对DHRA算法和MOGA算法在不同的任务和节点数时进行多组仿真实验。将DHRA算法与MinMin算法进行对比,DHRA算法有效地减少的系统通信量的产生,同时保证任务完成时间也有一定的减少。有效地提高了系统的稳定性和执行效率。同样地,对MOGA算法与传统GA算法进行比较,在相同的条件下MOGA算法获得了比传统遗传算法更少的任务完成时间和通信量。都有效地提高了系统的稳定性和执行效率。