本文研究了云环境下基于Pareto Front的模糊工作流调度多目标优化问题,该问题的工作流具有规模大、计算密集、模糊性、依赖性等特点,并在具有多种价格结构的弹性云资源上执行。本文基于三角模糊数建立模糊问题模型,以最小化虚拟机租赁成本和最大化用户满意度为优化目标,提出了一种自适应迭代启发式的工作流调度方法,该方法包括三个不同调度阶段。首先,针对调度过程中任务的优先级安排阶段,根据任务的最早开始时间进行优先级排序,本文提出了最早可能开始时间计算方法PEST（Possible Earliest Start Time）和任务的最早可行开始时间FEST（Feasible Earliest Start Time）。其次,为了进一步提高调度能力,本文使用多种启发式优化算法进行优化,例如变邻域启发式算法（Variable Neighborhood Descent,VND）和模拟退火启发式算法（Simulated Annealing,SA）。然后为了更切合实际,本文提出使用松弛任务截止时间RTD（Relaxed Task Deadline）和紧凑任务截止时间TTD（Tight Task Deadline）,并允许任务超期。此外,为了在低的租赁成本和高的用户满意度之间找到一个较好的平衡,本文引入了Pareto多目标优化理论,对非支配解集进行迭代优化,并使用C Metric（CM）、Distance Average Metrics(D_av)、Distance Max Metrics(D_max)、Maximum Spread（MS）和Average Quality（AQ）等Pareto Front评判指标来评价解的质量。最后通过详细的实验设计和合理的统计技术来对每个调度阶段的方法进行校准。实验结果表明,本文提出的工作流调度方法对研究中存在的问题具有鲁棒性和有效性,能够在虚拟机数量和用户满意度之间找到较好的平衡,有效减少租用虚拟机的成本并尽可能提高用户满意度。