随着信息技术的飞速发展,互联网、物联网、云计算、边缘计算、大数据等前沿技术日新月异,网络资源作为一种计算资源服务,已深入到各种社会生活场景中,服务的范围和用户数量与日俱增,如何对网络资源实现高效的资源调度、提高网络资源的使用效率是提高网络服务质量的关键问题。虚拟网络映射问题（Virtual Network Embedding,VNE）是经典的网络资源调度问题,并且是融合了复杂网络结构的NP-难问题,使得对这类问题求解具有挑战性。演化算法是求解复杂优化问题的有效方法,利用演化算法求解VNE问题得到广泛的研究。随着网络资源的增长,网络资源调度问题的求解规模也进一步扩大,对传统演化算法带来了新的挑战。现有演化算法工作对解决大规模VNE问题不足体现在:（1）VNE问题中存在节点调度和链路调度两个相关过程,传统演化算法对这两个过程孤立求解,容易忽略节点调度和链路调度之间的协同关系,在更大规模的复杂网络结构中难以同时满足节点调度和链路调度的约束。（2）在大规模网络场景中,待解问题的维度增长会使得问题的搜索空间指数增长,即维度诅咒现象。传统的演化算法在大规模VNE问题中寻优效率急剧下降,缺少空间上的可扩展性。（3）随着网络规模和用户需求增长,集中式的网络资源调度算法难以实现时间效率上的可扩展性,并且单一计算节点难以满足多个用户的并发需求。为解决上述问题与挑战,本文开展面向大规模网络资源调度的分治与协同演化算法研究,分别从算子微观协同角度、决策空间协同角度和目标空间协同角度展开研究:（1）从算子微观协同角度,提出了基于逐步更新机制（step-by-step）的构造性粒子群算法,在构建候选解过程中协同节点调度和链路调度两个相关子过程,提高构建有效可行解的可能性。基于逐步更新机制可引入启发式信息,算法中进一步设计了基于网络路径的启发式信息来衡量网络节点调度的质量。利用该启发式信息,可将网络中紧密相连的节点映射到近距离物理节点,节省VNE调度过程中的资源耗费。（2）从决策空间协同角度,提出了面向大规模虚拟网络映射的分治与协同进化算法。采用分治策略对大规模VNE问题降维,基于网络分割理论,将一个大规模网络分解为若干小规模网络,并协同调度小规模网络调度问题。由于网络的连通性,无论采用何种网络分解策略,分解后的子网络之间必然存在相关联的边。为了降低子网络耦合性对子问题优化的影响,设计了面向VNE的重叠解耦策略来处理子问题之间的关联性,将网络中关键节点重叠在多个子网络中,利用重叠元素协同子问题之间的优化。（3）从决策空间分布式协同角度,提出了基于历史档案和集合型粒子群算法的分布式网络调度系统。通过多代理节点机制和网络层次化分割策略,在网络系统中部署多个演化算子优化器,分布式地处理多个网络资源请求。在提升分布式调度系统寻优能力同时,也提升了演化算法的时间效率。算法进一步引入档案机制来记录历史调度信息,利用历史优化信息来减少对重复任务需求的冗余优化,从而提高分布式调度系统对重复任务的优化能力。（4）从目标空间协同角度,设计用于求解复合云工作流调度模型的嵌套式粒子群算法。为满足用户日益增长的计算资源需求,设计了一种新的复合云工作流调度模型,将繁重的计算任务建模为类似VNE的复合任务,可分配多个服务实例来执行单一复合任务,提高了对复杂工作流任务的弹性资源适配能力。针对该模型双层优化目标特点,提出了嵌套式粒子群算法和其快速版本,用外部种群和内部种群分别对完工时间目标和资源耗费目标协同优化,可有效解决该复杂云工作流调度问题。