进入21世纪后,传统数据中心已经难以满足庞大数据量的计算及存储需求,且数据中心逐步由金融、通信运营商行业逐步向其他各行业延伸。云计算及大数据技术的飞速发展给传统数据中心带来了颠覆性的变革,云计算数据中心因此而出现。云计算是一种以虚拟化技术为核心的全新的计算模式,它将大量基于网络连接的不同物理位置的数据中心的计算资源构成一个虚拟池,并根据用户对计算能力、存储空间、网络带宽及其他信息服务的需求实现统一调度。传统数据中心基于业务及服务的单一性,其主要关注点在应用的稳定性、运行的可靠性及数据的安全性等方面,而对计算资源的利用率、电力能源消耗及网络拥塞等问题考虑较少。随着云计算产业的发展,如何通过资源调度优化来降低云数据中心运营能耗及网络拥塞成为亟待解决的重要问题。建立了绿色云数据中心资源调度中两个阶段的数学模型,提出了一种自适应优化的资源调度策略。鉴于问题的复杂性,为了在合理时间、能耗及拥塞度范围内得到可以满足实际应用的调度策略,设计了一种基于自适应改进算子的混合遗传算法。其中:针对常规遗传算法容易陷入局部搜索,从而难以全局寻优的缺点,设计了一种自适应改造算子,构造了正切双曲线分别对遗传算法交叉过程及变异过程中交叉概率、变异概率及交叉算子、变异算子选择两个层面进行了自适应改造,提高算法的收敛速度、稳定性和可靠性,以实现降低云数据中心一阶段资源调度的能耗及网络拥塞度和使得两阶段资源调度任务队列最大完成时间得以优化。主要研究内容如下:（1）建立云数据中心资源调度模型分析并描述了云数据中心资源调度问题,分别建立了以能耗、拥塞度为目标的一阶段资源调度模型,引用了以任务队列最大完成时间的最小化为优化目标的两阶段资源调度的数学模型,并设定了相关约束条件。（2）求解云数据中心资源调度模型设计了一种自适应交叉及变异的改进算子,提出了一种基于双正切曲线的自适应改进遗传算法,首先对一阶段资源调度策略,设计了常规遗传算法、自适应改进遗传算法与离散粒子群算法;然后对两阶段资源调度,设计了基于Johnson规则的常规遗传算法、基于Johnson规则的自适应改进遗传算法。并采用了正交法对各算法参数进行了调校,以得到每种算法的最优参数组合。（3）算仿真实验及分析算法仿真实验表明:本文提出的自适应改进遗传算法符合算法改进的预期目标。其中,一阶段资源调度自适应改进遗传算法与常规遗传算法及离散粒子群算法相比,一方面可以避免算法陷入早熟,同时也提升了算法的稳定性及可靠性;在处理两阶段资源调度时,基于Johnson规则自适应改进遗传算法较基于Johnson规则的常规遗传算法而言,有效的优化了任务队列最大完成时间。综上,所做的研究可为当前云数据中心的资源调度提供理论性支持和相关算法的服务支持,可降低云计算环境一阶段资源调度中的能耗及拥塞度,同时也优化了两阶段资源调度中任务队列中的最大完成时间,从而实现绿色云数据中心整体能耗的降低和服务质量的提升。