云数据中心具有存储容量大、计算能力强等特点,众多大数据分析、云盘等高计算量、高存储需求的任务都被提交到云数据中心中进行处理,由此使得云计算成为一种备受瞩目的计算模式。但云计算需要将数据发往远端的云数据中心进行处理,具有较大的延迟,不适宜延迟敏感的应用进行处理。因而在此之外又提出了雾计算的模式,在远端的云数据中心和终端设备之间引入中间雾层,部署本地化的计算和存储资源,为延迟敏感的应用提供服务。不论是云计算还是雾计算,服务提供商希望借助于虚拟化技术与调度策略得到更好的效益。而现有的调度算法主要基于云计算提出,而且这里面大部分的算法存在对于任务分布的假设,无法自适应地根据实际的使用情况进行调整。因此,在本文中将针对云计算和雾计算的特点,通过强化学习为代表的机器学习算法设计自适应的虚拟机调度方案,以达到最大化效益的目的。相比于前人的工作,我们的主要贡献如下:1、我们结合当前已经提出的云计算和雾计算中的虚拟机调度算法,对于当前云计算和雾计算的特点进行研究,并基于各自在效益上的特点制定云计算和雾计算调度的目标函数;2、我们有别于传统的装箱问题建模,也有别于传统的基于分布假设的机器学习算法的解决方案,利用强化学习方法实现自适应的云计算和雾计算调度。同时对于传统的强化学习算法进行了一定优化以使其可以解决一定规模的调度问题;3、我们利用真实数据集对于我们的调度方法进行了实验。实验结果表明我们的算法相对于传统的解决方案能够取得更好的总效益。