随着科学研究的日趋广泛和深入,基础设施即服务(IaaS)模型成为云计算中最重要的一种服务模型,是科学工作流理想的运行环境。然而云服务提供商在给用户提供海量虚拟资源的同时,也面临着一个现实的问题,即怎样调度这些资源,以最小的代价完成科学工作流的执行。本文对IaaS环境下的多目标工作流调度问题进行研究,取得的主要成果以及创新点包括:(1)在MOHEFT算法基础上提出了一种更为高效的算法MOHEFT*。该算法将待调度的虚拟机以种类为标准进行区分,使得原有的待调度虚拟机数量大幅减少,节省了调度过程中很多重复的操作,大大降低了算法的时间复杂度。基于Pegasus发布的现实工作流应用和Amazon EC2平台虚拟机配置的实验证实了 MOHEFT*算法设计的有效性。(2)以完工时间和执行费用作为目标,提出了一种基于分解的多目标工作流调度算法MOSC/D。该算法结合了基于列表的启发式算法和多目标进化算法的选择过程,采用一种分解方法,将多目标优化问题分解为一组单目标优化子问题,然后同时求解这些单目标子问题,使得调度过程更为简单有效。实验表明,和MOHEFT算法以及NSGA-Ⅱ*算法相比较,所提出的MOSC/D算法能得到更优的Pareto解集,同时具有更低的时间复杂度。(3)针对IaaS环境下以时间和预算为约束的工作流调度问题,提出了一种高效的遗传算法TBAI。该算法针对IaaS环境提出了高效的种群初始化方法和全新的交叉算子。实验结果表明,和NSGA-Ⅱ*算法相比较,所提出的TBAI算法得到的Pareto解集质量远远优于NSGA-Ⅱ*算法。