云计算是目前发展迅速的一种计算模式,它是通过互联网向全世界提供各类基础服务,不仅方便了用户的需求,同时促进了一些新兴企业的发展。但由于云平台需要面对大量的数据以及计算任务,因此,如何合理地对云计算资源进行分配以及设计高效的任务调度策略来最大限度地降低成本、提高资源利用率、满足用户需求是云计算需要解决的关键问题。本文的研究内容如下:首先,针对遗传算法处理云环境中独立任务调度时出现的收敛速度慢以及寻优不稳定问题,在考虑任务的总执行时间、执行成本以及负载失衡值作为算法的优化目标的基础上,提出一种基于遗传与粒子群算法融合的动态目标任务调度算法(Dynamic Object based on Genetic Algorithm and Particle Swarm Optimization algorithm,DO-GAPSO)。在种群初始化阶段,利用Max-Min算法、Round-Robin算法以及Min-Min算法初始化,为算法进化及搜索提供大致方向;在适应度评价函数建模中引入线性权重动态分配策略,提高算法的收敛速度;在选择操作中,计算种群个体多样适应度,利用不同的选择方式进行选择,保证种群的多样适应度;在交叉操作中,建立交叉选择机制,根据交叉个体情况选择不同的交叉机制,在保证种群稳定性的同时使得交叉后的新个体朝着适应度高的方向发展;在变异操作中,引入粒子群算法,利用个体当前最优解和种群历史最优解重构变异算子,避免变异的盲目性,保证种群的稳定性,提升了算法性能。其次,针对传统算法处理云环境中关联任务调度时出现的寻优性能差以及寻优方案不能满足用户多样性需求问题,通过模拟启发式算法调度过程,初始化—适应度评估—任务调度—选择这四个阶段去建构了一种层次评估和动态选择模型(Hierarchical Evaluation and Dynamic Selection Model,HEDSM)。在初始化阶段,利用传统的表调度算法对任务模型进行预处理,保证任务具有一定的优先级。在适应度评估阶段,从云用户和云服务提供商两个层次去构建不同的方案评估模型来同时满足两方面的需求。在任务调度阶段,设置两步调度,其一,设置策略集,对任务进行预调度,保证生成的预调度方案继承各个策略的调度优势;其二,设置任务迁移策略,对预调度方案进行处理,以此来提升算法的寻优性能。在选择阶段,根据不同评估模型在生成的方案集中动态选择合适的调度方案。最后,本文在WorkflowSim仿真平台上进行实验对比分析。结果表明,DO-GAPSO算法在保证任务集合的完成时间、成本,负载失衡值的基础上,提高了算法收敛速度,保证了算法寻优的稳定性。此外,本文提出的HEDSM模型在保证系统的资源闲置率的同时,提高了任务完成时间和完成成本,更适应复杂多变的云环境下任务调度问题。