近年来,云计算成为商业领域和学术领域的研究热点,并得以迅猛发展。云计算作为一种新型的商业计算模式,其核心思想是将大量计算任务分布于海量由廉价计算机集群构成的资源池上,使各应用请求可以按需获取计算能力、存储空间和信息服务。然而面对数量庞大、分布性强并且是动态变化的资源,采用何种方法进行资源的组织和调度成为云计算的关键技术之一。云环境下现有的资源调度方法大多将任务当作一个整体进行考虑,并没有针对任务对资源各属性具体要求进行有效分析,也没有全面考虑资源调度过程中的负载指标参数,此外这些任务调度在优化遗传算法的过程中都没有过多地关注选择和交叉方式的改进,使得算法容易陷入局部最优问题,导致潜在优良基因的丢失。针对以上问题,结合云计算环境下的最优跨度和负载均衡问题,本文提出了一种云环境下的虚拟资源调度方法。该方法结合了云虚拟资源的特点,首先分析云计算资源调度优化模型的约束指标,主要从最优跨度和负载均衡两方面来考虑资源调度过程的约束指标,其中最优跨度指标定义为任务的等待时间、传输时间及执行时间的总和,而负载指标则定义资源的CPU、带宽及内存的综合利用率。在进化过程中使用适应度函数来衡量群体中各个个体在优化计算中有可能达到或接近于最优解的优良程度,适应度值越大表明其有更大的机会去繁衍下一代,而在任务执行的过程中,从用户角度考虑,任务完成时间应越短越好,从系统性能角度考虑,调度方法应尽量保证资源节点负载均衡,因此在优化遗传算法中,将最优跨度的倒数和负载指标参数的倒数作为双适应度函数。此外,该方法在选择方式上采用了最优保留替换策略,即在选择过程中对每个个体适应度函数值进行排序,选出当代最优解和最差解,与上一代的最优解相比较,如果上代最优解比当代最优解大,则用上代最优解替换当代最优解；如果上代最优解比当代最优解小,则用上代最优解替换当代最差解,当代最优解不参与选择操作；在交叉方式上采用了单点交叉和顺序交叉相结合的单点顺序交叉法,交叉点设置在任务之间,防止相同任务被分配到同一个资源上,使得在进行资源调度过程中云服务集群能够推荐出较优资源进行处理,确保资源的负载均衡,提高调度效率。最后,通过CloudSim进行仿真实验。为了验证算法有效性,在相同的环境条件下,将本文提出的虚拟资源调度方法与云环境资源调度的传统遗传算法(GA)以及改进遗传算法(IGA)进行实验结果比较,结果分析验证该策略能够提高大规模任务下的资源调度效率,并优化了资源的负载均衡,从而验证了算法的有效性。