由于多用户网络应用中存在的众多不确定性，当前的调度方法在动态性，实时性，适应性方面都不同程度存在不足。考虑到其实时性需求，提出了概率型调度的思想，压缩调度时间。该思想将任务的分配看作一个概率事件，而传统的调度是确定的。此外，概率型调度还具有对任务执行时间估计不敏感、性能稳定等所需的优势。基于该思想，以用户角度的最短响应时间为目标，给出了多用户网络应用的一个排队模型，并进一步将调度定义为一个非线性规划问题。但分析表明上述方法在任务到达过程、服务率方面存在限制，因此基于强化学习理论提出了一个自适应调度算法。首先，利用Markov决策过程(MDP)描述该调度问题，然后对任务到达过程和服务率知识进行在线的学习。一旦获得任务分配概率，遵从该概率可进行快速的任务调度。实验验证了上述两个算法相比于Min-Min、Max-Min、Suffrage、ECT 四种经典算法具有更短的平均响应时间。除了平均响应时间，通过分析其方差证实了概率型调度方法所具有的稳定性。