为高效应对日趋复杂的用户需求同时满足绿色集约的发展战略,云数据中心的资源调度需要满足资源利用率、经济效益、服务质量、环保效益等多重目标,但这些目标之间往往存在相互制约和矛盾。本文主要针对集群部署的批处理计算任务和在线服务这两种不同类型的作业,对新型群智能算法—入侵肿瘤生长优化算法ITGO（Invasive Tumor Growth Optimization）进行研究,并应用于解决云数据中心资源调度的多目标优化问题。首先针对云数据中心的批处理计算任务调度问题,本文提出了一种基于入侵肿瘤生长优化的多目标调度框架MTS-ITGO,以解决批处理任务完成时间、能耗和资源成本三个相互约束目标的协同优化问题。为了提高任务调度性能,减少调度过程中的不合理分配,MTS-ITGO将任务调度过程分为机器分配和时隙分配两个阶段。通过应用帕累托优化模型和二维带装箱问题模型,MTS-ITGO在ITGO中结合了改进的Skyline算法,以最大限度地减少批处理计算任务的完成时间、能耗和资源成本。同时MTSITGO利用肿瘤细胞模型的特点,对解空间进行细粒度高效搜索,有效增强解的多样性,提高收敛速度。本文使用Alibaba cluster-trace-v2018数据集的实际生产集群数据构建模拟云环境,实验结果表明,与其他先进算法相比,MTS-ITGO在三个优化目标上都取得了更好的结果。针对云数据中心的微服务容器调度问题,本文提出了一种多目标入侵肿瘤生长优化算法MCS-ITGO,针对降低微服务之间的网络传输开销、平衡集群的负载、提高服务可用性这三个目标进行优化求解。首先将微服务之间的交互和依赖关系建模为微服务调用图,在算法初始化阶段,对大规模微服务调用图进行分析和识别,根据图结构向下纵深推进的路径,将满足条件的重型微服务调用图拆解为若干结构更加简洁的微服务链。基于对微服务体系结构和容器生命周期的统筹管理,本文提出一种容器迁移策略,通过容器镜像复用来缓解容器创建过程中重复拉取镜像的问题。本文使用Alibaba cluster-trace-microservices-v2021数据集中真实生产集群的采样数据构建仿真环境,实验结果表明,面向微服务容器调度的MCS-ITGO算法在工作期限违反率、网络传输开销和集群负载均衡度等方面具有良好的表现。