云计算作为一种新型的计算模式，已经在市场上得到了广泛的应用。它改变了传统网络计算的服务模式，通过互联网为用户提供动态的服务模型。用户根据这种模式能够随时随地地访问可配置的资源，如网络、存储、应用程序和服务。为了能够提供高质量的服务，云服务提供商需要在合理利用资源池的情况下管理不同用户请求之间的调度问题，将资源按需分配给用户。因此，研究资源调度对于云服务提供商和用户具有重要意义。
　　随着市场需求空间的不断扩大，用户数量的持续增长，用户任务需求的多样性，以及随之而来的任务到达时间的随机性，再加上计算资源的分散性、异构性和不确定性，如何合理并灵活地按需分配资源来满足任务的不同请求，已成为资源调度中极具挑战性的问题。因此，本文将在异构环境下实现任务响应时间最小化，资源利用率最大化，能耗最小化的自适应资源调度作为重要的研究内容。
　　本论文针对复杂云环境下的资源调度问题，将云资源调度模型和云资源调度策略这两个方面作为研究重点，主要工作有:
　　(1)通过分析云环境下用户的到达规律和服务器服务的规律，基于M/M/S排队模型对云计算资源调度系统进行建模，将任务分配到空闲的资源池(物理机)，避免了异构云环境下出现的局部队列过长的现象，减少了任务的等待时间，实现了资源对随机任务的优化分配;
　　(2)为了进一步减少调度过程中任务的响应时间，提高资源利用率，实现节能，本文综合分析了任务长度、任务的截止时间和等待时间三方面内容来对任务进行动态的预处理;并且根据系统中物理机以及虚拟机当前的执行状态等信息，如CPU利用率、资源可用性、负载变化特征、能耗特征等系统参数的变化值，结合强化学习的调度策略{状态-动作-反馈}将任务调度到虚拟机，实现自适应的资源调度。
　　(3)对调度模型进行了理论分析和实验的验证，并在CloudSim仿真平台构建了异构云环境下随机任务到达的场景;实现了所提出的自适应调度机制，并且与其他经典方法进行实验的对比，说明了本方法的有效性和优越性。