云计算的飞速发展伴随着许多大型数据中心的建立。海量的数据中心会消耗巨大的电力能源,增加云计算的操作成本,并导致二氧化碳的排放量升高,对全球气候造成影响。随着云计算规模的不断的扩张,数据中心的能耗控制问题也日益突出。如何有效降低基础设施能耗的问题具有重大的经济意义与环保意义。任务调度问题一直是云计算领域的一个研究热点。任务调度策略是决定云任务执行效率的关键所在,旨在高效合理的将计算资源分配给云任务,从而最终达到一些特定的优化目标,如:缩短任务的执行时间或降低基础设施能量消耗等。近年来,一些人工智能方法的运用引起了广泛关注,其中,遗传算法依靠其“全局寻优,快速收敛”的特征被高效的利用于求解任务调度问题。论文结合对云计算体系结构的分析,从数据中心层面入手,构建了一套能量感知的双适应度动态遗传调度策略。该调度策略基于传统的遗传算法,设定了带权重的双优化目标,分别是任务的执行时间与基础设施的能量消耗,通过调整优化权重可以控制优化重心。该调度策略还充分考虑云计算环境的动态特征,使用了改进的种群迭代方法来有效应对云计算环境下发生的性能改变,使用改进的遗传算子来保证云计算环境下任务调度策略的有效性,并提出再选择策略来加快算法寻优的收敛速度,从而可以在数据中心发生性能改变或处理规模较大的数据集时高效快速的做出反应。论文论文最后使用Cloud Sim-3.0仿真工具构造了多种云计算环境下的调度场景,并将本文提出的能量感知的双适应度动态遗传调度策略与顺序调度策略、贪心调度策略以及蚁群调度策略等比较著名的云计算调度模型进行了对比,分别验证了本文提出的调度策略在优化任务执行时间方面的性能、优化基础设施能耗方面的性能、处理各种规模数据集时的可靠性以及不同优化权重比例对优化结果的影响。实验结果证明:本文提出的能量感知的双适应度动态遗传调度策略可以有效的应对云计算环境下的性能改变,可以高效的处理各种规模的数据集,并且在减少任务执行时间以及降低基础设施能耗方面具有明显优势。