目前,云服务越来越多地跨数据中心分布。不同地区由于房价、工资水平、电费等方面的差异,导致数据中心建设成本呈现区域差异,因此云服务提供商对提供的云服务也按照地理位置的不同制定不同的定价。不同地区的相同云服务提供商提供的云资源价格会不同,相同地区的不同云服务提供商提供的云资源价格也不尽相同。云服务提供商可以利用这一成本上的差异实现其利益最大化。同样地,云用户也可以利用这一差异实现自己成本最小化。本文就云用户在广域云系统中的成本最优化问题做了进一步探索。该问题的数学模型是一般指派问题(GAP),本文利用增广拉格朗日乘子法(ALMM)来获得这一调度问题的解决方案。然而ALMM算法在某些情况下不能很好的收敛到一组可行解,因此在本文中又设计了一个调整算法来对ALMM算法中的解进行调整。此外,由于ALMM算法收敛速度较慢,又设计了一个降低价值密度算法(DVDS),它能够在相当短的时间内获得调度结果。为了能够进行更好的对比,本文还将一般的贪心策略作为基准与DVDS算法进行比较,实验表明一般贪心策略要比DVDS算法成本高约6%~11%。当这些算法应用到线性和分段定价的模型中,发现分段定价模型由于不同的虚拟机和带宽的组合会使问题复杂化。实验结果表明,当任务数量比较小的时候,DVDS算法会产生比ALMM算法较高的代价,但却比ALMM算法要节省大量的时间。当任务数量增加时,DVDS算法的效率明显比ALMM+Adjustment算法快,大约仅为ALMM+Adjustment算法的1%的时间。