任务调度是决定云计算性能的关键因素,是典型的NP-hard问题。随着用户互联网对服务质量(QoS)要求的日益增长,动态任务调度问题越来越受到人们的关注。由于动态在线任务调度算法通常需要处理复杂环境中的任务,因此平衡云计算中各个方面的约束变得更加困难。此外,数据处理量的激增导致计算资源的规模迅速扩大,给云服务提供商和环境带来了沉重的负担。高能耗不仅降低了云服务提供商的经济效益,而且巨大的电力需求也给环境带来了压力。目前采用动态迁移技术对虚拟机进行动态协同,提高资源利用率和降低能耗是保证高性能、高质量服务的有效途径。基于以上目的,本文使用一种新的机器学习方法——深度Q学习(DQL)尝试求解以下两个问题。本文提出深度Q学习任务调度算法(DQTS),该方法旨在解决云计算环境下有向无环图(DAG)任务的调度问题。该方法的基本思想是在任务调度中使用DQL框架,在WorkflowSim的基础上,对任务调度中的服务质量指标:Makespan和负载均衡标准差展开研究。通过实验验证了所提出的DQTS算法的优化和学习能力。实验结果表明,与WorkflowSim中预先编码的几种经典算法相比,DQTS在学习能力、鲁棒性和可扩展性方面都具有一定优势。在满足云提供商和用户之间的高质量服务的前提下,本文提出了一种利用深度Q学习框架求解虚拟机动态迁移的算法(DQLVMC),它结合了虚拟机的利用率来寻找近似最优解决方案,并基于现实主机的实际工作负载数据进行实验,结果表明DQLVMC相比于其他几种经典算法在满足用户高QoS、高性能要求的同时,有效降低了能耗。