云计算从网格计算、分布式计算、并行计算发展形成,打破传统IT服务模式,通过与互联网的结合成为一种新型商业模式,通过虚拟化技术对底层物理资源虚拟化形成虚拟资源池,数据中心对其统一管理、动态调配,为用户提供透明服务。虚拟机作为计算资源分配给用户,虚拟机与物理机之间的不同映射关系,带来云数据中心不同的电能耗费、资源利用等。因此,虚拟机调度问题是云计算数据中心资源管理的重要问题。近年来,关于虚拟机调度问题的研究已有一些研究成果,但大多数研究均是聚焦在服务器上,研究中较少考虑用户服务质量以及网络性能。本文对目前虚拟机调度的研究现状进行阐述与剖析,总结发现:一方面关于关联虚拟机群组的调度问题目前研究较少,而忽略虚拟机之间的关联性往往会造成虚拟机上用户应用性能的下降。另一方面,面向多目标优化的调度问题是目前的研究热点,涉及到多个优化目标的选择、优化算法的应用,目前在多个优化目标的选择上研究者较少考虑用户服务质量。针对以上两个问题,本文的主要研究内容如下:(1)研究了关联虚拟机调度问题。研究中将网络流量大的虚拟机集中放置以减少经过的链路层数,减少网络总流量,提高通信效率;同时为避免过度集中放置造成链路拥塞,提出通过最大链路利用率最小化模型均衡网络流量分布,减少拥塞率。因此,该调度方法综合优化两个指标:网络流量与链路利用率。采用改进蚁群算法HACO_SA求解,实验中对比VMPACS算法以及PSO算法,相比两种算法本文的改进算法在降低网络流量方面,分别减少了14.1%以及12.8%;相比单目标优化网络流量,HACO_SA算法的最大链路利用率得到了明显降低。(2)研究了面向多目标的虚拟机调度问题。以目前云数据中心电能耗费巨大这一问题为切入点,提出服务器上各维度资源均衡利用,避免因木桶效应造成资源浪费,在优化以上两个目标时不能忽略SLA违背率。这是一个经典的多目标优化问题,采用分组遗传算法GGA_FLT求解,同时用模糊逻辑方法对各个优化目标进行模糊处理以解决多目标优化问题中权重不确定的情况。对比GGA算法以及MMA算法,本文的算法在面向多目标的虚拟机调度问题上性能分别提升了11.4%以及5.8%。(3)设计开发基于OpenStack的虚拟机调度系统平台,验证本文提出的调度算法的有效性与合理性。