在大数据时代,云计算技术为大数据处理提供了更为便捷的计算环境,使得用户得以专注于计算需求本身而不需要过多考虑计算环境。随着云计算服务在商业市场中的发展,根据已分配的虚拟机作为资源设置的定价模式开始出现。这种新的定价模式使得用户可以自由地定制适合自身需求的资源。对于用户而言,如何为任务选择合适的虚拟机资源设置,使得在满足服务质量(QoS)的情况下,计算所需要的经济开销最小,成为一个困扰他们的新问题。本文主要针对该问题进行探索,研究目标为在满足任务计算要求的前提下,优化工作流任务的整体运行时间和计算成本。本文对云环境中的工作流调度进行模型描述,根据前人工作将工作流建模为有向无环图(DAG),用三种不同的价格模型描述当同种资源处于不同频率时经济成本的变化情况。基于频率变化的定价模式,针对优化工作流任务的整体运行时间和计算成本这一研究目标,本文主要进行如下研究工作:(1)对于截止时间明确的成本优化问题,提出一种基于贪心思想的算法框架,并由该框架拓展出三种算法CFMax、CRR和CBT。该算法框架使用HEFT求得初始调度方案,基于贪心思想,迭代选择符合算法期待的资源映射到相应的任务上,同时在更新调度方案前检查工作流的整体完成时间,以确保满足截止时间限制。三种算法得到的计算成本均较HEFT有较大的下降,且在大部分情况下较CSFS-Max效果好。在截止时间宽松的情况下,CFMax相对于HEFT能够降低的计算成本达到76%。(2)对于时间成本优化调度问题,借鉴基于分解的多目标进化算法MOEA/D,提出适用于工作流调度的多目标优化算法SABD。SABD使用CFMax的中间迭代过程构造初始种群,交替使用最小化任务计算成本和最小化任务执行时间两种方式搜索得到新解。为了比较三种分解方法对SABD算法的影响,使用超体积值作为衡量最优解集的指标。在三种分解方法中,切比雪夫方法效果较好且效果稳定。