在这篇文章中,我们主要介绍基于光网络的分布式计算系统的调度算法。基于光网络的分布式计算系统通过高速低延时传输的光网络将分布在不同地理位置的计算资源存储资源等各种设备资源连接起来,为科学计算、系统设计和虚拟现实等新型应用提供计算服务。本文主要研究基于光网络的分布式计算系统中的任务调度算法。由于各类设备资源的数量有限,使用需求又非常大,所以如何提高系统效率就成为一个棘手的问题。而且这些资源的成本非常高,专用高速光网络的运营费用更是非常昂贵,所以尽快的执行用户提交的应用能尽可能多的降低使用者的成本。因此,基于光网络的分布式计算系统非常需要一个高效的调度算法。首先,我们对基于光网络的分布式计算系统的任务调度进行数学建模,建立了基于任务流的DAG调度模型,并论述了该问题属于资源约束下项目调度问题,随后本文对资源约束下项目调度问题进行介绍。在描述完问题后,本文介绍了目前已有的对基于光网络分布式计算系统的调度算法的研究情况。介绍了两种解决该问题的贪心算法:经典的扩展链表调度算法和在此基础上改进的基于调度关键路径算法。在介绍了已有的研究情况后,我们提出了两类混合遗传算法:一类是基于优先权的混合遗传算法,我们根据不同的权重分别设计了基于任务优先权的混合遗传算法以及基于通信权重和任务权重的加权混合遗传算法;另一类是基于ELS的加权混合遗传算法。第一类算法是利用节点所代表的任务权重和有向边所代表的通信权重进行编码,并根据编码值对任务进行排序的遗传算法。根据任务的实际执行代价来调度任务。我们开发了一个仿真程序来对不同的算法性能进行评价。首先将不同算法在简单的系统上的结果同用一个基于穷举法的程序模块计算出的最优解进行了比较。我们还在比较复杂的系统上进行了实验来衡量不同算法的性能。各组实验都证明混合遗传算法比贪心算法能够计算出更好的调度结果。第二类算法是一种利用ELS算法的思想进行排序的混合遗传算法,该算法也是利用任务权重和通信权重进行编码,然后利用底度值进行排序。我们也对该算法进行了仿真分析,并与不同的算法进行了性能比较。各组实验都证明基于ELS的加权混合遗传算法能取得比贪心算法更好的调度结果和比基于优先权的混合遗传算法更低的时间复杂度。