云计算是近年来计算机领域最热门的研究方向之一。随着云服务的市场化,其作为新兴商业模式的巨大商业价值也正在呈现。云计算的数据中心利用虚拟化技术将计算资源、存储资源等各种软硬件资源抽象为虚拟化资源,构建成动态的虚拟资源池,向用户提供按需服务,因此,资源调度成为云计算的关键技术。云计算的商业化特点越来越突出,用户对服务的需求越来越多样,这就要求云服务提供商更多地关注用户的需求。云计算的资源类型各不相同,且系统中的资源是动态变化的,用户的偏好也是多种多样,用户请求调度的应用任务的QoS目标约束条件通常会包含多个指标方面的要求,用户任务的QoS目标约束条件的满足程度在很大程度上决定了云计算任务调度策略的性能优劣。针对此问题,本文建立了云计算资源调度模型,针对大量用户任务各不相同的QoS目标约束要求,分别建立相应的QoS目标约束条件,然后量化用户的应用偏好,应用完成时间、费用、可用性、安全性四个指标构造的效用函数,将多QoS的目标约束问题转换为单目标的约束求解问题,并以用户效用最大化作为目标函数。在此基础上,本文以改进的遗传算法求解单目标的约束问题,将目标函数平方作为适应度函数,在遗传操作方面,引入了一种自适应方式,保持种群的多样性,在更大空间集中搜索最优解,并得到一个较优的资源分配策略。本文介绍了云仿真工具CloudSim,并配置实验环境。在CloudSim的环境下对论文提出的改进算法进行了仿真实验,证明本文算法的可行性和有效性,实现在保障多维QoS的同时,最大程度降低运营的成本和优化资源的利用率。本文从任务的完成时间、费用及目标函数值等三个方面,将本文算法与传统遗传(GA)算法和Min-Min算法进行了对比评估。实验仿真结果表明：在完成时间方面,本文相比于Min-Min算法略差,但在其它方面本算法都更优于Min-Min算法和传统GA算法,体现了本文算法更大的优越性,综上所述,本文提出的算法可依据用户需求为任务选择合适的资源节点且最终获得满意的分配策略。