执行时间、调度费用、资源利用率和能源消耗是衡量工作流调度优劣的关键评估标准,然而相对于传统分布式系统例如网格计算,云计算由于其复杂多变的特性,导致这些评估标准所受到的影响因素增加,若不能较好的优化平衡这些评估标准,不仅影响了用户的使用和体验感受,增大了成本,而且同时也降低了服务提供商的市场竞争力。因此,如何在云计算环境下优化执行时间、调度费用、资源利用率和能源消耗对工作流调度而言是十分重要的。国内外研究学者对在限制期下减少工作流调度费用和在相应预算下减少工作流调度时间等问题上进行了较多研究,但在多目标的工作流调度优化问题方面仍存有研究空间。针对存在的研究不足之处,本文的主要研究内容如下:针对以往云计算环境下存在工作流调度方法优化目标的单一化等问题,本文构建了云计算环境下工作流调度的多目标优化数学模型,调度目标为降低调度费用和能源消耗,同时提高资源利用率。在花朵授粉算法的基础上,将其从数值优化算法改进成组合优化算法,从而适用于工作流调度优化问题;由于元启发式算法普遍存在容易陷入局部最优等问题,提出了云计算下的差分授粉多目标工作流调度算法(DMFPA),通过改进花朵授粉算法的授粉操作并结合差分算法的变异策略,让种群保持多样性避免单一,这样能提高算法的搜索能力和收敛速度,使其能在多项式时间内找到近似最优解。针对云计算环境的复杂性而导致任务执行时间不确定的问题,本文通过Z数对任务执行时间的不确定性进行建模;在花朵授粉算法的基础上,对种群的初始化,转移概率和授粉操作三方面进行了优化,提出了云计算下的混合授粉多目标工作流调度算法(HFPA),具体改进为基于最优策略的虚拟机分配规则进行种群初始化,自适应转移概率,双向学习局部授粉操作和贪婪全局授粉操作,避免了不可行解的生成以及考虑了随着迭代次数的增加,转移概率和保持种群多样性之间的平衡。为了便于比较不同调度算法的运行结果,在开源框架Workflow Sim的基础上开发了云计算工作流调度仿真平台。该平台具有易用性和可扩展性等特点,集成了确定云环境和不确定云环境等两类模型调度算法,通过选取不同的工作流执行文件,可以较为便捷地获取算法的运行结果,为不同算法性能之间的对比提供了实验依据。