随着云计算的发展,许多大规模、复杂的科学应用纷纷迁移到云平台上,并利用云上的计算资源完成计算任务。与传统的网格计算等不同,云计算提供了可定制的基础架构,能将不同地理位置的计算、存储等资源封装成云服务,以“即付即用、按需分配”的模式向用户供给资源。基础设施即服务云的工作流系统对科学应用的复杂流程进行抽象化定义,利用计算、存储等资源完成科学计算及大数据存储等任务。如此一来,云服务商如何分配计算资源,在满足服务等级协议约束的条件下,最小化成本,就成了亟待解决的问题。对此,学界展开了广泛的研究。研究者们假定虚拟机的服务质量性能是不变的,或在特定范围内变化,然后再对此给出调度方案。本文研究发现,这种假设可能会造成服务等级协议的违约,或者计算资源的浪费。虚拟机是计算资源虚拟化后的集合,在运行过程中会受到资源池变化、云节点之间的网络连接等多种因素的影响,其性能是动态波动的。本文针对以上缺陷进行了改进方案的研究。本文创新地考虑到了虚拟机服务质量性能波动的动态性,认为其性能波动是随时间变化的,并且在满足服务等级协议条件下,以截止完成时间为约束,最小化成本为调度目标,提出基于预测的改进的遗传算法。该算法首先通过差分自回归移动平均模型得到虚拟机上任务的预测执行时间,然后把这些预测值输入到本文建立的云工作流调度模型中,得到工作流的成本以及估计完成时间;并以此作为遗传算法的适应度选择指标,经过染色体编码、种群初始化、选择、交叉、变异等遗传操作,和以成本和时间为指标的适应度评估,经过多次迭代产生最优的调度方案。为了验证本文提出的方法的可行性及有效性,本文在三种不同云平台即华为云、腾讯云、亚马逊云上,执行不同类型的云工作流任务,通过在Matlab平台上的仿真实验,与非预测遗传算法、非预测粒子群优化算法、基于预测的粒子群优化算法进行了对比实验。结果显示,本文提出的方法在服务等级协议违约率、执行时间和执行成本方面均优于其它算法。实现了在满足服务等级协议条件下,以截止完成时间为约束,最小化成本的调度目标。