云计算是一种新兴的商业计算模式，云平台整合大量服务器作为异构资源池，这样用户仅仅通过终端设备接入云平台就可以获得所需的丰富的软件和存储资源。云计算系统需要管理这些数量巨大的资源，资源调度系统必须能及时有效的分配和部署虚拟资源以适应用户动态变化的需求。然而，资源分配不均会极大影响系统资源利用率、伸缩性及用户体验。因此，在云计算环境下如何合理分配和调度虚拟资源来保障QoS就显得尤为重要。与传统的任务调度系统不同的是，云计算的基本调度单位是虚拟机资源，要考虑数据网络传输延迟等一系列因素的影响。但是目前云计算中虚拟机资源调度策略仅仅关注于整个系统的当前负载状态，大多数算法忽略了系统变化和一些导致负载失衡的历史负载数据，使得资源调度结果不够理想，容易造成负载失衡，无法满足一些实际应用需要。由于资源调度问题涉及多目标组合规划，而且已被证明为NP完全问题，而基于启发式的遗传算法在解决最优化问题上有着较好的收敛效果。本文提出一种基于遗传算法的虚拟机资源调度方法，旨在达到服务器负载均衡的同时尽量降低虚拟机迁移开销。该方法根据历史负载数据和系统当前负载状态，通过遗传算法，搜索出一个既满足负载变化约束同时又减少或避免动态迁移的最优分配方案。在算法效率分析中，我们引入负载变化率和平均负载距离，前者用来描述虚拟机负载变化情况，后者衡量全局负载均衡效果。最后，通过实验证实，我们的调度算法是有效的并具有很好的全局收敛性，在很大程度上解决了负载失衡和虚拟机调度时带来的高昂的迁移代价。另外，平均负载距离没有随着虚拟机负载变化率增加而增大，也就是说调度算法具有很好的资源利用率。