随着并行计算、分布式计算和虚拟化技术等信息技术的飞速发展,原有的IT结构体系逐渐被取代,云计算技术迅速崛起。云计算将分散的系统资源整合为一个巨大的资源池,数据中心的资源通过资源共享的方式向外提供。用户通过按需付费快速获取计算资源服务,无需考虑底层基础设施的维护。由于云计算的用户数量和对硬件资源需求的日益增长,数据中心的规模也不断扩大,数据中心产生的能耗和资源浪费随之日益增多。如何在复杂的云环境下合理的调度资源,提高云平台的资源利用率,降低数据中心总体能耗,成为当今云计算研究中亟须解决的核心问题。针对上述问题,本文基于Open Stack云平台,在分析其原生的资源调度策略和深入学习虚拟化技术体系的基础上,重点对虚拟机初始放置和迁移问题进行研究,旨在通过调度算法优化达到优化平台整体功耗和避免热点的目的。论文主要工作和创新点如下:针对传统虚拟机调度模型与调度目标单一的问题,分别构建了以提高资源利用率、负载均衡、降低云平台能耗为优化目标的模型,并根据这三种模型设计了评价函数。针对云平台下资源调度的多目标优化问题,提出了一种融合遗传算法和粒子群优化算法的虚拟机放置策略。通过将两个算法进行融合,结合遗传算法搜索范围较广和粒子群优化算法拥有良好的局部搜索能力、收敛速度快的优势,引入动态自适应惯性因子,并根据粒子适应度对算法全局搜索与局部搜索之间进行调整,从而快速求得虚拟机到服务器映射的最优解,即找到最优资源调度方案。实验结果证明,与遗传算法、粒子群优化算法这些相对简单的启发式算法相比,本文提出的调度算法资源利用率较优、负载较为均衡、能耗较低。针对服务器局部热点问题,本文提出了一种基于随机森林预测的虚拟机迁移算法,通过预测服务器未来的能耗变化,设立能耗阈值,对能耗超过阈值的服务器中的虚拟机实施迁移,从而避免了服务器热点现象的出现。实验结果证明,该算法能有效避免服务器出现热点现象。