随着数据分析和处理任务的规模越来越大,加速计算进程的需求也急剧增大。分布式计算是一种相对于集中式计算的计算方法,它将计算任务由一台设备上的集中计算分配到网络中多个设备上分布式地进行计算,从而加速了计算进程。它可以处理大规模的数据分析任务,如机器学习,神经网络学习等等。分布式计算系统常用的一种计算框架Map Reduce已经广泛应用于解决很多大规模数据处理问题。在Map Reduce框架中,整体计算被分为三个阶段:Map阶段、Shuffle阶段和Reduce阶段。（1）Map阶段中,分布式计算节点在本地处理一部分输入数据,根据设计好的Map函数进行计算,生成一些中间值。（2）Shuffle阶段中,节点之间互相交换计算得到的中间值,来满足下一阶段计算的需要。（3）Reduce阶段中,节点利用Map阶段本地计算得到的中间值及Shuffle阶段由其他节点传输得到的中间值,使用各自设计好的Reduce函数,分布式地计算得到最终想要的输出值。然而,在整个计算过程中,Shuffle阶段节点之间的数据传输会产生通信负载,限制着分布式计算的应用性能。众所周知,编码可以应对远程通信中的信道不确定性,也可用于在分布式存储系统和缓存网络中减少存储花销。因此,将编码应用于分布式计算,可以大幅度减少数据传输过程中产生的通信负载,从而加速整个计算进程,即为编码分布式计算。另外,在实际网络环境中,并非所有的节点都可以正常完成计算任务,这样的节点即为掉队节点。因此除数据通信花销外,编码分布式计算执行过程中,另一瓶颈为计算节点掉队。Li等人引入了编码分布式计算方案来降低Map Reduce等一般分布式计算框架的通信负载。他们还提出了对每个输出函数进行多次计算的编码分布式计算方案,并证明该方案实现了计算负载和通信负载之间的tradeoff。然而,当计算节点数量变大时,这些方案需要指数级数量的输入文件和输出函数,难以在实际中应用。本文利用放置分发表的结构,构造了编码分布式计算方案,并且大大降低了输入文件和输出函数的数量。具体来说,给定已知的一种放置分发表,可以得到一类编码分布式计算方案。我们给出了三类新方案,并对它们的性能进行了分析,证明了所有新方案的输出函数数量仅是计算节点数的一个因子,并且新方案的输入文件数量小于Li等人得到的编码分布式计算方案的输入文件数量。同时,我们在Li等人的编码分布式计算方案的基础上,考虑了含掉队节点的情况。即含有掉队节点的编码分布式计算,其中我们对每个输出函数进行了多次计算。通过改变中间值的分块数,我们构造了含掉队节点的编码分布式计算方案。然而,绝大多数已知的处理掉队节点的编码分布式计算方案中,每个输出函数被计算的次数皆为一次;同时,绝大多数已知的对中间值进行分块的编码分布式计算方案中,中间值的分块数皆相同。因此,我们处理掉队节点的方案中,对每个输出函数计算了多次以及设置中间值分块数不同。我们还对方案进行了性能分析,证明了本文中含掉队节点的编码分布式计算方案所产生的通信负载稍大于Li等人的编码分布式计算方案中最优的通信负载,并且绝大多数情况下,二者比值小于2。