随着资源整合进程的不断前进,云计算在这些年来的发展势头只增不减,越来越多的企业选择将应用部署在云平台上。然而这反而促使平台中心需要管理的虚拟机规模不断扩大,如何解决虚拟机部署问题是当前研究的热点和难题。本文在查阅多篇文献和概括相关领域研究结果的前提下,本着提高资源利用率、减小响应时间和降低任务调度成本、缩短完工时间的目的,提出了一种结合变异算子的多目标粒子群优化算法MOPSOM(Multi-Objective Particle Swarm Optimization with Mutation Operator),而且在关于虚拟机部署问题上做了下面一系列的准备。首先,对相关技术进行概述。在任务与虚拟机映射阶段,根据数据存储要求以及任务之间的依赖特点,构建了任务的成本模型与时间模型,同时为任务的调度顺序进行建模;在虚拟机与物理主机映射阶段,根据数据中心服务器能耗目标以及用户等级协议,构建了服务器的资源利用率模型和系统响应时间模型,从而更好地为虚拟机部署阶段奠定前提基础。其次,论文提出了一种基于改进粒子群优化融合遗传算法变异算子的虚拟机部署方案。总体分析初始化放置的关键点和执行过程中虚拟机迁移频数来考虑本文要解决的映射问题。其核心思想是在提高资源利用率的同时控制服务器的响应时间,从而避免违反用户等级协议。这样做的好处不仅使资源浪费率变低,而且也减少节点物理机运行的数目,从而降低了物理主机运行的能耗。另外,控制响应时间长短,能有效避免较长响应时间导致客户服务质量下降。更重要的是,控制响应时间大小促进了服务器负载均衡,从而可以减少运行过程中,服务器因过载需迁移的次数。仿真实验结果表明,该部署策略能够实现优化目标,而且收敛性也比较好。最后,本文提出了基于粒子群优化结合遗传算法变异算子的任务调度。综合考虑任务之间依赖的数据存储问题和任务的执行成本、通信成本以及用户比较关心的完工时间来解决任务调度问题。核心思想是根据调度模型确定任务的一个执行序列,根据粒子群定义的目标函数,求得使得成本和完工时间尽可能低的调度方案。由于任务调度成本与完工时间存在矛盾,故选择权重占比的方式处理多目标优化难点。因此,最优任务调度方案是粒子在搜索空间中寻找到的使得目标函数最小值的点。仿真实验结果得出,所提算法能够有效缩短任务的完成时间,而且从调度的结果来看,依赖性较强的任务和数据基本是分配在相同节点上。