随着云计算的流行和普及,云平台中的资源利用效率问题近年来备受关注。在传统的框架方法中,私有云平台的资源分配按照其功能流程被分解为了两个子问题,它们分别是虚拟机选择（VMS）问题和虚拟机放置（VMP）问题。然而,这样的划分方式会导致资源利用效率只能从局部的角度来优化,无法保证全局最优的资源分配。在本文中,我们针对私有云平台提出了一种新的资源分配方法。具体来讲,我们首先从全局的角度抽象出了联合虚拟机选择与放置（JVMSP）问题,并证明了它是一个NP完全问题。然后,我们提出了Feedback-Decoupling资源分配框架来解决该问题。该框架会将JVMSP问题转化为两个新的子问题:它们分别是Max-Capability问题和MinResource问题。Max-Capability问题旨在为每一种物理机确定放置方案,使得它的任务处理能力最大;Min-Resource问题旨在从已放置好的物理机中做选择,使得处理所有任务的代价最小。文中证明了这两个子问题的最优解可以保证联合虚拟机选择与放置问题的全局最优解。接下来,文章分别提出了解决这两个子问题的最优解算法和启发式算法。当在新的框架中应用启发式算法时,我们也对其所得到的近似解与最优解的近似度进行了量化分析和证明。最后,文章通过实验仿真评估了本文所提出的资源分配框架和资源分配算法。实验结果表明,本文提出的框架和算法显著提高了云平台的资源利用效率。此外,本文的框架和算法在不同的数据集上也表现出了更好的适应性。总结而言,本文主要研究成果如下:1.本文从全局角度对私有云平台资源分配问题重新进行了抽象和形式化,并证明了该问题是一个NP完全问题。2.本文提出了一个新的云平台资源分配框架,并从理论上证明了该框架可以保证全局最优的资源分配。新框架将原问题转化为了两个新的子问题,本文分别为这两个子问题各自提出了最优解算法和启发式算法。3.当在新的框架中应用启发式算法时,本文量化并证明了其所得到的近似解与理论上的最优解之间的近似度。4.本文通过实验仿真在不同数据集上验证了:新框架和算法相比于传统算法在性能和稳定性上都带来了明显提升。