随着云计算的快速发展,研究如何对云计算虚拟资源进行调度和管理对于有效降低成本、提升用户体验、保证云计算的可靠性和安全性具有重要意义。云计算将硬件资源虚拟化为资源池中的虚拟资源进行统一管理和对外服务,对于大规模云计算数据中心来说,要管理和调度的虚拟资源往往达到了百万级以上,同时需要面对高密集性的云计算任务请求,因此虚拟资源调度成为了云计算中的重点和难点。目前,关于云计算环境下虚拟资源调度的研究日趋成熟,国内外许多研究所关注的重点也各不相同,有以低成本、快响应为目标的,也有以负载均衡、服务可靠性为目标的,同时,也有研究将重点放在绿色节能上。随着云计算规模的扩大,能耗问题和负载不均衡问题也越来越突出,本文将研究重点放在节能和负载优化上。虚拟资源调度问题复杂,将虚拟资源调度问题划分为虚拟机资源调度和云计算任务调度两个子调度问题。为了实现节能和负载优化,虚拟机资源调度被划分为四个阶段:热点主机探测、低载主机确定、迁移虚拟机选择、待迁移虚拟机重分配。为了合理的对数据中心能耗和系统负载进行衡量,建立了能耗计算模型和负载评估模型。采集主机相关数据之后,利用偏最小二乘回归算法来探测热点主机,利用静态阈值法和顺序探查法确定了低载主机。在上述工作完成之后,利用所建立的能耗计算模型和负载评估模型,建立了一种改进的最高潜能迁移算法来进行迁移虚拟机的选择。选择完成之后,又建立了能耗和负载优化的多目标进化算法完成了待迁移虚拟机重分配。最后,进行仿真实验,对所建立的调度策略进行验证,并与其它调度策略进行比较。而对于云计算任务调度,不同用户的Qos(Quality of service)要求也不一样,受此启发,首先对用户多维Qos进行了定义,然后建立了一种遗传蚁群融合算法,同时在局部更新和全局更新中融入了用户多维Qos约束,以期找到最佳分配方案。最后,利用CloudSim平台对算法进行了验证和比较。实验结果表明:不同的虚拟机资源调度策略各有其优势,在能耗和负载方面本文所提出的调度策略(AMOGA)较DVFS、LrMmt、ThrMc等调度策略综合表现更优,而在迁移次数、平均迁移时间、SLA违例率等方面的表现有待提高;对于云计算任务调度,与模拟退火算法(SA)、基本蚁群算法(ACO)相比,本文所提出的遗传蚁群融合算法(GAACO)提高了解的收敛速度和全局搜索能力,而在任务调度时间、成本、服务质量及系统负载方面,GAACO综合表现更优。综合以上结果,本文所提出的虚拟资源调度策略实现了节能和负载优化的目标。