虚拟机调度管理制约着数据中心系统总能耗和资源利用率,并影响系统负载均衡化及服务水平协议违反指标最小化等,是数据中心管理的关键技术。实际应用中,用户请求任务序列是不确定的,系统资源消耗是实时变化的,传统的调度管理方法不能很好地均衡多约束条件下对服务器资源利用率、虚拟机能耗、负载均衡等目标的优化,也就不能满足虚拟机管理的复杂动态性约束需求。针对以上问题,本文展开以下研究:为解决传统虚拟机调度模型调度目标不完整和约束不足的问题,本文提出了一种多约束多目标下的虚拟机调度和放置模型。解决了传统虚拟机调度模型调度目标不完整和约束不足的问题。该模型考虑了包含服务器CPU资源、内存、带宽、能耗、虚拟机迁移次数以及负载均衡在内多个维度的参数。为了模拟真实调度场景,建立了任务请求动态仿真模型,对资源需求量不同且实时变化的任务进行详细刻画。为解决遗传算法难以进行虚拟机动态调度的问题,本文提出了一种基于时间序列和遗传算法的虚拟机放置算法(Time based Genetic algorithm,T-Gene)。根据物理服务器资源消耗情况、开机数量等设计适应度函数,并对虚拟机和物理机之间的映射关系进行染色体编码。将时间维度引入遗传算法,把虚拟机动态映射和虚拟机迁移一并考虑进行求解。为解决多约束条件下虚拟机动态调度过程中的多目标优化问题,本文基于Q-Learning算法设计了存储不同动作及状态下的Reward函数Q表,并针对不同调度目标设计了Q值函数计算方法。该算法根据多约束多目标虚拟机调度与放置模型中的目标函数和约束条件,设计了评估每一步动作(虚拟机物理机放置操作)对应的全局奖励值(Reward值),通过模型迭代训练来更新和保存最优的Q表,可根据Q表映射出更优的虚拟机放置策略。最后,以四种物理机组成的实验平台对不同数量的虚拟机场景进行仿真验证,与随机虚拟机放置算法(Random)和适应降序算法(First Fit Descending,FFD)算法进行比较。结果表明,T-Gene虚拟机放置算法调度后的物理机开机数量比Random算法平均降低14.50%,比FFD算法物理机开机数量平均降低5.03%,基于Q-Learning的虚拟机放置算法比Random算法的物理机开机数量平均降低5.46%;T-Gene虚拟机放置算法调度后的物理机能耗和虚拟机迁移次数比Random算法分别平均降低16.60%和18.02%,比FFD算法物理机能耗开销和虚拟机迁移次数分别平均降低4.02%和9.30%;基于Q-Learning的虚拟机放置算法比Random算法的物理机能耗开销和虚拟机迁移次数分别平均降低13.70%和21.07%,比FFD算法的物理机开机能耗开销和虚拟机迁移次数分别平均降低0.684%和12.70%。对比结果表明,本文提出的基于时间序列和遗传算法的虚拟机放置算法和基于Q-learning的虚拟机放置算法在不同的虚拟机模型维度指标下具有优越性。