云计算系统能耗模型目前很多有关能耗的量化模型都和计算机本身的功率直接相关，比如在文献[1]中，谭一鸣等学者提出期望能耗E(Energy)与到达率集合Λ、服务率矩阵 、空闲功率集合 、执行功率矩阵 和调度概率 的值有关。而每一个任务在每一台服务器上的执行功率是不一样的，这样在计算期望能耗时就必须先确定执行功率矩阵，而这个问题是有一定难度。
再比如在文献[2]中宋杰等学者提出了能效是能源和效率之间的比值，而测量能效最重要的是测量单位时间内处理的任务量和耗费的电能。对于前者，可以通过测量CPU运算时间和运算频率得出。对于后者的测量，则存在了很多困难，比如说：计算机的有用功率不同于额定功率，其值是动态变化的，无法通过简单的计算得到；一些电量测量设备都有固定的测量范围，无法适应云系统中大量节点等。虽然他们在能效模型的基础上提出了一种能效的计算公式，能够计算出运系统的总能效，但是从整体上来看，测量和计算都是比较繁琐的。
1.2 虚拟机放置算法
一些文献[3-4]把虚拟机放置问题建模成装箱问题，即通过虚拟机迁移，使用最少的物理机资源满足所有的虚拟机需求，从而达到提高利用率，降低能耗的目的。虚拟机放置即装箱问题从计算复杂性理论来讲，是NP完全问题，很难精确求解。
目前关于装箱问题的近似算法如：下次适应、首次适应、最佳适应等[5]。下次适应算法是最简单也是最早研究的一个算法，它的处理方法是始终文持一个当前打开的箱子，对于每一个要装入的物品，检查该物品是否可以放入当前打开的箱子，如果无法装入，则打开一个空箱子，装入该物品，以该箱子作为当前的箱子，由于每个物品在装入时，只有当前打开的箱子和空箱可以选择，这必然造成装箱的效率低下。针对下次适应算法的缺陷，首次适应算法处理当前物品的时候，检查所有非空箱子，找到第一个能够放下当前物品的箱子并将该物品放入，否则就开启新的箱子。最佳适应算法与首次适应算法类似，唯一的区别是当物品装箱时，不是直接装在第一个可装入的箱子中，而是装入在最适合该物体的箱子中，如果没有该箱子，则开启空箱。所以相对于下次适应算法和首次适应算法来说，最佳适应算法的效率还是比较高的。
另外Holland提出了遗传算法采用概率化的寻优方法，能自动获取和指导优化的搜索空间，自适应地调整搜索方向，不需要确定的规则。正是由于遗传算法的这些性质，已被人们广泛地应用于组合优化、机器学习、信号处理、自适应控制和人工生命等领域。它是现代有关智能计算中的关键技术。其中并行性和全局解空间搜索是GA的两个最显著的特点[6]。针对云计算环境下的任务调度问题,用遗传算法进行任务调度能得到较好的效果。4948 数据中心能耗优化管理的研究现状:http://www.751com.cn/yanjiu/lunwen_1774.html