在上次研究的基礎上，只研究了蟻群演算法，對於蟻群演算法，最開始只是加了Qos，增加了區域性更新和全域性更新，然而和模擬退火演算法相比，任務排程的時間反而比其花費要多，究其原因還是模擬退火演算法的迭代次數其實更多，能夠在區域性找到更好的解，對於基本蟻群演算法，效能是得到了極大的提高。

第二次研究時，主要考慮的是從演算法的融合上來進行優化，常用的有遺傳演算法，粒子群演算法，神經網路等等，之前的想法是加一個預測從而提高排程的效能，也可以採用與遺傳演算法融合的方式，一個是利用遺傳演算法來初始化蟻群演算法的資訊素，二是對蟻群演算法的重要引數進行編碼，找到編碼的最優組合，最終的試驗結果表明，模擬退火的任務執行時間還是更好，但是從整體上來看，模擬退火演算法更加的趨向於一種平均分佈，最終的花費比較相差的並不多，從Qos和系統負載上面來看，融合演算法的整體效能更加的優良，結合雲端計算的特點，融合演算法更加的考慮到了整體負載以及系統負載和可靠性的問題，所以整體比較而言，融合演算法還是有一定的優勢的。

下一步研究的是虛擬資源排程的問題，這個可以從整個資料中心來考慮，節能，排程構成更加的複雜。