近些年来,云计算的兴起使得企业纷纷上“云”,同时微服务和容器技术在云计算领域应用广泛。Kubernetes作为目前最主流的容器编排工具,大部分云服务提供商都使用它作为应用的部署解决方案。容器编排是它的表象,其核心功能是资源调度。如何将云平台中的资源以最优的方式提供给用户是一个亟待解决的问题。一个良好的资源调度策略将为企业节省大量的成本。本文将以Kubernetes Scheduler作为研究对象,针对调度器现有调度算法的不足提出了相应的优化。主要工作内容如下:（1）Kubernetes默认资源调度算法在优选阶段仅根据节点的CPU和内存的利用率来决定此节点的分值,即只考虑了单节点的资源利用率。集群中优秀的节点将被调度更多的Pod,使得其他节点的Pod数更少,无法保证集群资源的负载均衡。针对该问题,提出一种基于改进遗传算法（IGA）的Kubernetes资源调度算法,该算法加入了网络带宽和磁盘IO两项评价指标,同时为评价指标赋予不同的权重值,在标准遗传算法的基础上,引入校验字典校验并修复在随机初始化种群阶段、交叉阶段以及变异阶段产生的不符合用户配置的个体。实验结果表明,与Kubernetes默认资源调度算法相比,该算法考虑了集群中的所有节点的资源利用率,在保证集群负载均衡方面有着更好的效果。（2）针对现有Kubernetes调度是一种静态调度机制,提出四种动态资源调度触发机制:定时触发、定期触发、节点扩容\缩容触发以及节点负载超阈值触发。在改进遗传算法的调度基础上,结合动态触发机制,使得集群在节点资源负载发生变化时仍能保证集群的负载均衡。（3）由于改进遗传算法的运行会占用Master节点大量的计算资源,影响了主节点上其他组件的正常运行。针对这一问题,提出基于RPC的分布式资源调度器,在不改变原有调度机制的基础上,将计算任务转移出主节点。（4）针对改进遗传算法在单机中运行缓慢的问题,提出基于Spark的并行改进遗传算法（SP-IGA）。通过分析Spark的并行机制,基于计算并行和数据并行这两种并行模式实现了本文提出的改进遗传算法的并行化,提高了算法运行速度。论文中包含图43幅,表7个,参考文献64篇。