随着信息时代的到来,科学论文的数量急剧增长,如何快速找到与自己领域相关的研究人员,成为了科研工作者所关心的焦点。云计算调度下的推荐系统作为帮助科研工作者快速了解该领域研究进展以及热点问题的方法之一,其可以通过分析大数据来为用户提供所需要的项目或信息,并使用云计算技术大幅度提升任务计算速率,使得单位时间内可以处理更多的任务,从而提高推荐的准确率和用户使用体验。然而传统的推荐算法大多采用基于内容的推荐方法,但这种方式容易陷入冷启动和数据稀疏问题;此外,云计算中的任务调度策略也会直接影响推荐系统的资源使用率和运行时间,从而影响用户的使用体验。为此,本文从推荐算法和云计算任务调度两个方面进行优化,主要贡献如下:（1）本文设计了一种混合推荐算法,该算法在基于用户的协同过滤算法中引入社交网络对共同研究兴趣人员进行推荐。一方面,引入社交网络可以有效缓解冷启动和数据稀疏问题。另一方面,基于协同过滤的推荐算法只考虑用户偏好之间的相似性而忽略了用户自身的属性特点。本文设计的推荐算法将用户和自己的研究领域双向绑定,通过对用户曾经发表的论文建立学术背景模型,并生成社交信任网络,再根据信任关系的可传递性为用户推荐可能感兴趣的研究人员。该算法克服了数据稀疏对推荐性能的影响,其推荐性能和可扩展性优于传统推荐算法。（2）针对推荐算法中数据量过大等问题,本文设计实现了一种改进的鲸鱼优化算法用于云计算下的任务调度。该算法通过优化映射关系,提高了种群多样性,从而改善了传统算法中存在的局部最优问题;采用引入非线性收敛因子和增加自适应权重的方式,引导搜索代理在局部开发和全局开发之间找到理想的过渡,解决了传统算法中随机参数过多而导致的不稳定性。本文还提供了具体的证明实验以及该改进算法的详细实现方案。根据不同任务场景中的实验结果表明,与现有的元启发式算法相比,本文所提出的算法具有更快的收敛速度以及搜索最优任务调度计划的准确性。