当前移动云计算的资源调度算法有：MAUI[8]、微云[9]、Odessa[12]、基于SD和SA两种启发式的分配算法[13]、图划分算法[14]，Scavenger[15]等。

MAUI[8]是一个能够实现细粒度的移动代码能量卸载的基础设施的系统。MAUI利用托管代码的环境向两个领域提供好处：它支持细粒度的代码，在最大限度节约能源的同时使程序员的负担最小[8]。

微云将云带给移动设备用户。微云可以理解为云的一种形式，只是它能给用户一种“更近”的感觉；微云作为无线接入点的基础设备不需要固定，却可以在LAN网中利用可用资源以动态方式形成[9-11]。

Odessa在移动设备上实现交互式感知应用。即使对于一个给定的应用程序来说，卸载和并行性的选择也应该是动态的，因为性能取决于场景的复杂性和环境因素如网络状况和设备性能;为此，我们开发了Odessa——一个新的、轻量级的交互感知应用程序，它在运行时自动决定卸载和平行移动;Odessa在各种不同的执行环境中运作良好，同时对网络、设备和应用程序输入的变化反应十分灵活[12]。82577

提出基于SD和SA两种启发式的分配算法是为了解决在一个可操作的微云系统中的运行优化问题——这一问题从基础设施、应用结构以及应用行为三个方面描述微云；为了为不同的应用场景和动态微云行为中评估这些算法，提出了离散事件仿真模型；通过从它们如何最大限度地减少处理器的平均使用程度、它们如何满足资源约束以及它们生产分配的稳定性来对这些算法进行对比[13]。

图划分算法优化移动云计算中的软件部署。分区计算最好应该考虑到基础设施的异质性。与对计算网格进行的部署优化相比，其实花费精力使执行一组网格结构化的任务所需的时间最小化是并无必要的，相反，则更应该转而专注于如何才能使软件组件之间的带宽最小。为了与图划分算法进行对比，一个基于多级KL的算法被提出，它作为一种快速分割，允许实时部署计算。在计算能力的成本方面，复性提高了小图尺寸的解决方案的质量。图划分算法是一种在中间的执行时间产生比KL稍好的分区的混合算法。对于范围广泛的图形，通过比较基于KL的算法与图划分算法发现，较之于基于KL的算法，图划分算法可以发现10%–40%更好的分区。考虑到在一个移动云计算用例中的无线链路质量，图划分算法可以用来适应部署；未来的工作包括在实际的软件部署框架中将这些算法进行整合，从而在云基础设施上实施软件组件的自动分发；该算法也可以被调整到可以优化替代的目标——例如能源消耗[14]。论文网

也有一些工作致力于清除网络觅食系统中的调度和开发支持。网络觅食是一个普遍应用的计算技术，应用于小型移动设备将资源密集型任务卸载到附件更强的计算机械上。网络觅食的主要挑战之一是，开发网络觅食的应用程序非常困难。一个使用网络觅食的应用程序参与移动的、分布式的工作并且可能参与并行计算，程序员很难掌握。Scavenger是一个网络觅食系统，它支持对移动网络觅食应用的简单开发，同时还通过使用一个定制的移动代码的执行环境和一种新的自适应的双分析调度程序，提供对远程计算资源高效的、移动的使用[15]。

在选择将任务防止在何处时，调度程序对多个因素进行处理；同时考虑到数据局部性、网络功能、设备强度和任务的复杂性。Scavenger的整个源代码被释放为开源码，从而鼓励普适计算领域的从业者去获取它和它在自己的计算环境中的实验。那么，怎样利用Scavenger系统创建网络觅食的应用程序呢？在这个系统中，写操作高度分散，并行网络觅食的应用程序向资源密集型的代码中添加单个装饰器，以便从远程执行中获益。对于网络觅食作为一个普适计算技术的可用性来说，这是一个巨大的进步， 一定程度上回答了Satyanarayanan提出的一个原始问题,即：如何定义网络觅食这个术语。曾有实验显示：（1）即使现代的移动设备将网络觅食应用到一些普通任务，如简单的图像处理，也会产生非常显著的提速，尽管实验中使用的是比较老的电脑；（2）Scavenger作为一个网络觅食系统，能够大大提高移动应用的性能；（3）使用网络觅食可以节约大量能源。未来对于Scavenger系统的研究，主要是进一步进行双重分析调度的实验，以进一步证明任务为中心的分析方法的可行性;同样的，还将进行一些与移动客户端的能量使用有关的进一步的实验——可能会增加调度程序这样在选择任务位置时能量使用可能会成为一个考虑因素[15]。