高性能计算集群主要用于处理复杂的计算问题,广泛应用于气象、海洋、环境领域(数值预报等),生命科学领域(基因测序、比对、同源分析等),计算机辅助工程领域(流体力学、优化分析、特性分析、模拟分析等)。随着研究的深入和计算精度的要求,数据量呈指数增长,对高性能计算集群的存储、计算、节点通信、作业分配、资源调度提出了更高的要求。一味增加硬件设备来提高计算性能除了带来巨大的功耗外,还具有瓶颈性,研究资源调度策略使效能最大化一直以来都是高性能发展的方向和科研的重点。面对高并发、多计算模型、大数据存储下的高性能计算,数据的时效性以及用户响应并不能真正的得到改善和提高,如何对高性能集群进行任务分配和资源调用才是提高性能的关键。本文通过分析粒子群优化算法和蚁群算法的原理、实现以及优缺点,将两种算法联合,得到基于粒子群优化算法的蚁群算法(PSO_ACO),通过仿真验证,PSO_ACO算法在求解上性能优于其他任务调度算法。在实际运用中,进一步分析PSO_ACO算法,发现算法的不足之处,继续进行改进,提出基于PSO_ACO的自适应算法,在原有的基础上进行改进,增加搜索空间,提高解的质量,避免算法过早停滞,陷入局部最优解。最后通过实验分析,证明了算法在求解上的性能有了进一步的提高。主要工作内容及创新点如下:(1)分析高性能计算集群的体系架构,研究作业调度结构及关键技术;(2)研究任务调度算法,提出任务调度模型和负载均衡模型;(3)将粒子群优化算法与蚁群算法联合,用粒子群优化算法计算蚁群算法的参数,提出PSO_ACO算法;(4)通过对PSO_ACO算法的进一步分析,提出基于PSO_ACO的自适应调度算法,以适应大规模的计算和提高算法的性能;(5)最后通过仿真实验,对比分析PSO_ACO算法和其他算法的性能,得出改进后的自适应调度算法性能优于PSO_ACO算法。