负载均衡是集群技术的重要性能之一。为了提高网络的数据处理能力和节点利用效率,优化的任务调度算法已成为集群网络研究的重要内容。遗传算法(GA)采用群体搜索技术,具有隐含并行性和全局搜索两大显著特征。对于最优解问题,遗传算法表现出较强的全局搜索能力。微粒群算法(PSO)则采用了“群体”与“进化”的概念,在搜索最优解时,调整个体的适应值进行进化操作,从而加速趋向全局最优值的过程。本文在分析遗传算法和微粒群算法这两种智能优化算法的基础上,探讨集群网络环境中任务调度的寻优算法,旨在研究网络负载均衡的优化策略。鉴于微粒群算法在实际应用中容易出现收敛速度慢和陷入局部极小值,导致在求解多峰极值问题特别是在全局最优解附近有多个局部最优解的问题时,会出现收敛于局部最优解的情况,本文将遗传算法与微粒群算法相结合,提出一种改进的遗传微粒群算法(GPSO)。GPSO结合遗传算法与微粒群算法的优点,让群粒子分别在两种不同的算法流程下迭代与进化,通过选择、交叉、变异等处理手段,既发挥遗传算法搜索全局最优解的能力,又发挥微粒群算法处理速度快和较强的局部搜索能力,避免算法过早地陷入局部最优解,以达到理想的寻优效果。本文将GPSO算法应用于集群网络中任务调度的寻优处理。实验结果表明,GPSO算法比遗传算法和标准微粒群算法具备更强的寻优搜索能力和更高的运算精度及效率,该算法在实际应用中具有一定的实用价值。