虚拟机放置（VMP）是虚拟机整合的核心，是一个多资源约束的多目标优化问题。高效的VMP算法不仅能显著地降低云数据中心能耗、提高资源利用率，还能保证服务质量（QoS）。针对数据中心能耗高和资源利用率低的问题，提出了基于离散蝙蝠算法的虚拟机放置（DBA-VMP）算法。首先，把最小化能耗和最大化资源利用率作为优化目标，建立多目标约束的VMP优化模型；然后，通过效仿人工蚁群在觅食过程中共享信息素的机制，将信息素反馈机制引入蝙蝠算法，并对经典蝙蝠算法进行离散化改进；最后，用改进的离散蝙蝠算法求解模型的Pareto最优解。实验结果表明，与其他多目标优化的VMP算法相比，所提算法在使用不同数据集的情况下都能有效降低能耗，提高资源利用率，实现了在保证QoS的前提下的降低能耗和提高资源利用率两者之间的优化平衡。

物理主机工作负载的不确定性容易造成物理主机过载和资源利用率低，从而影响数据中心的能源消耗和服务质量。针对该问题，通过分析物理主机的工作负载记录与虚拟机资源请求的历史数据，提出了基于负载不确定性的虚拟机整合（WU-VMC）方法。为了稳定云数据中心各主机的工作负载，该方法首先利用虚拟机的资源请求拟合物理主机工作负载，并利用梯度下降方法计算虚拟机与物理主机的虚拟机匹配度；然后，利用匹配度进行虚拟机整合，从而解决负载不确定造成的能耗增加和服务质量下降等问题。仿真实验结果表明，WU-VMC方法降低了数据中心的能源消耗，减少了虚拟机迁移次数，提高了数据中心的资源利用率及服务质量。

针对传统虚拟机整合（VMC）方法难以保持主机工作负载长期稳定的问题，提出一种基于高斯混合模型的高效虚拟机整合（GMM-VMC）方法。为了准确地预测主机负载的变化趋势，首先，使用高斯混合模型（GMM）对活动物理主机的工作负载历史记录进行拟合；然后，根据活动物理主机工作负载的GMM和主机自身的资源配置情况计算主机的过载概率，并根据过载概率判定主机是否存在过载风险；对存在过载风险的物理主机，根据部署在该物理主机上的虚拟机对降低主机过载风险的贡献和虚拟机迁移所需的时间这两个指标进行待迁移虚拟机选择；最后，使用GMM估算待迁移虚拟机对各个目标主机过载风险的影响，并选择受影响最小的主机作为目标主机。通过CloudSim仿真平台模拟该GMM-VMC方法，并根据能源消耗、服务质量（QoS）、整合效率等指标与已有的整合方法进行对比，实验结果表明，GMM-VMC方法能够有效地降低数据中心能耗，提高服务质量。