Cloud infrastructure provides resources needed for tasks for resource scheduling. This work uses a genetic algorithm based on encoded chromosome (GEC-DRP) to manage dynamic resource scheduling. However, the existing scheduling algorithm estimates the number of required physical machines (PM) needed for the client in the future. This developed scheduling algorithm schedules the tasks on cloud by calculating the number of virtual machines needed in the near future along with their predicted CPU and memory requirements, which is the main contribution of the work. K-means algorithm clusters the tasks based on CPU and memory usage as parameters. The future arrival of tasks for every cluster is predicted and accordingly, the required number of VMs is created. The incoming requests known as tasks are scheduled on the appropriate VM using the genetic algorithm (GA). Based on the workload prediction results, a cost-optimized resource scheduling strategy in cloud computing environment is proposed aiming at minimizing the total cost of rental virtual machines from the central cloud. Finally, a genetic algorithm is used to solve the resource scheduling strategy. The developed algorithms are evaluated by the workload prediction accuracy, the total cost of the cluster and the algorithm’s consuming time for solving the resource scheduling problems through the experiments. Finally, the effective of workload prediction algorithm based on SES and cost-optimized resource scheduling strategy is verified by simulation.

云基础架构提供了资源调度任务所需的资源。这项工作使用基于编码染色体的遗传算法（GEC-DRP）来管理动态资源调度。但是，现有的调度算法会估计将来客户端需要的所需物理机（PM）的数量。这种开发的调度算法通过计算不久的将来所需的虚拟机数量以及预测的CPU和内存需求来调度云上的任务，这是这项工作的主要贡献。K-means算法基于CPU和内存使用情况作为参数对任务进行聚类。可以预测每个群集任务的将来到达，并因此创建所需数量的VM。使用遗传算法（GA）在适当的VM上调度称为任务的传入请求。基于工作量预测结果，提出了一种云计算环境中成本优化的资源调度策略，旨在最大程度地减少从中央云租用虚拟机的总成本。最后，采用遗传算法求解资源调度策略。通过工作量预测的准确性，群集的总成本以及该算法通过实验解决资源调度问题所花费的时间，对所开发的算法进行评估。最后，通过仿真验证了基于SES和成本优化资源调度策略的工作量预测算法的有效性。为了最小化从中央云租用虚拟机的总成本，提出了一种在云计算环境中成本优化的资源调度策略。最后，采用遗传算法求解资源调度策略。通过工作量预测的准确性，群集的总成本以及该算法通过实验解决资源调度问题所花费的时间，来评估所开发的算法。最后，通过仿真验证了基于SES和成本优化资源调度策略的工作量预测算法的有效性。为了最小化从中央云租用虚拟机的总成本，提出了一种在云计算环境中成本优化的资源调度策略。最后，采用遗传算法求解资源调度策略。通过工作量预测的准确性，群集的总成本以及该算法通过实验解决资源调度问题所花费的时间，对所开发的算法进行评估。最后，通过仿真验证了基于SES和成本优化资源调度策略的工作量预测算法的有效性。通过工作量预测的准确性，群集的总成本以及该算法通过实验解决资源调度问题所花费的时间，来评估所开发的算法。最后，通过仿真验证了基于SES和成本优化资源调度策略的工作量预测算法的有效性。通过工作量预测的准确性，群集的总成本以及该算法通过实验解决资源调度问题所花费的时间，对所开发的算法进行评估。最后，通过仿真验证了基于SES和成本优化资源调度策略的工作量预测算法的有效性。