为适应当前海量的信息处理需求和不断增长的计算能力要求,云计算的规模不断扩增,作为云计算的基础设施,数据中心也随之迅速发展。规模日趋庞大的数据中心产生了巨大的能耗,与此同时,数据中心当前的资源调度算法不能充分地平衡能耗和其他性能需求,严重制约了云计算的发展,资源调度优化成为了当前研究的热点和难点。本文分别从虚拟机放置和任务分配两个方面进行资源调度优化,并采用基于仿真技术的能耗模型进行评估,主要研究内容如下:(1)提出了一种多元非线性仿真能耗模型,该模型基于CPU和内存使用率,并考虑了CPU利用率对内存的影响,提高了仿真能耗评估的准确性。通过实验将该模型的预测情况和多元线性模型、CloudSim一元线性模型、CloudSim一元分段式模型对比,结果表明本文提出的多元非线性能耗模型具有更高的准确性。并利用该模型重写了CloudSim仿真平台中的能耗模块,应用于后续仿真实验的能耗评估。(2)提出了基于BFD和蚁群融合的虚拟机放置算法,该算法将改进的BFD算法应用于蚁群算法的信息素初始化过程,避免了蚁群算法的盲目搜索,并且设计了以能耗优化为目标的状态转移规则和信息素更新规则,为了避免资源利用率过高所带来的服务质量问题,在全局信息素更新规则中设置了基于资源利用率阈值的精英策略。之后在CloudSim仿真平台中实现了该算法,并与BFD算法、改进的BFD算法、改进的蚁群算法作对比,结果表明,本文算法在能耗和服务质量两个方面均有较好的优化效果。(3)提出了基于Max-Min和遗传融合的任务分配算法,该算法将遗传算法应用于任务分配过程,采用染色体编码的方式表示任务与虚拟机之间的映射关系,采用改进的Max-Min和随机初始化相结合的方式产生初代种群,设计了以降低能耗和缩短执行时间为目标的适应度函数,并在遗传算子中增加了负载差值阈值,避免严重的负载不均。之后在CloudSim仿真平台中实现了该算法,并与标准的Max-Min和标准的遗传算法作对比,结果表明,本文算法降低能耗和缩短执行时间方面具有明显的优越性,并且有较好的负载均衡性。