针对以往关于云资源管理分配的研究中多从云运营商的角度出发,未充分利用用户评价来改善资源决策能力的问题,提出了一种关注用户服务评价反馈的资源再分配方法。首先,通过分析云中心资源分配的过程,抽取出影响资源决策的要素,提出关注用户服务评价的自适应云资源分配框架;其次,阐明用户服务评价参与云资源管理的基本原理,建议一种用户服务满意度的量化度量;最后,基于相似性理论,预测用户对新任务的期望满意度,合并用户任务参数以及当前环境参数,作为BP神经网络的输入,进行资源分配方案的决策。在和无用户评价参与的资源分配方案比较的仿真实验中,其平均用户满意度提高了7.4%,保持在0.8以上,总体呈稳定上升趋势;与Min-Max算法、云任务与云资源满意婚配(CTRSM)算法比较,平均用户满意度分别提高了16.7%和4.6%。实验结果表明关注用户服务评价反馈的资源再分配方法是能够自我完善的,能够提高云资源自适应管理的能力。

针对以往关于可扩展性研究中未充分考虑并行执行时间因素，可扩展性与并行执行时间的关系仍未研究清楚的问题，深入和全面研究延迟可扩展性和并行执行时间的关系，得出并证明了不同算法〖CD*2〗机器组合体在相同初始状态下进行延迟扩展后，若执行更快的组合体具有更好的延迟扩展性，则该组合体在扩展后仍将保持更快等重要结论。这些结论丰富了可扩展性和并行执行时间关系的研究内容，为并行计算延迟扩展获得理想扩展性能提供了理论依据。最后，通过对不同算法〖CD*2〗机器组合体进行扩展实验，进一步验证了结论的有效性。

在固定结构的需求下,并行计算无法通过规模扩展提升其计算性能。针对此类并行计算可扩展问题,分析影响可扩展性的并行任务因素及体系结构因素,采用带权图对并行任务及体系结构进行建模,并提出一种关键路径不变的可扩展方法,其核心思想是固定图结构,仅合理地调整图节点权值和边权值。通过进一步推导,得出一些关于新扩展方法的性质结论。应用网格计算模拟工具SimGrid开展的实验结果表明,所提出的扩展方法能有效解决此类扩展问题,且保持速度效率不变。