云计算能够并行处理海量任务,解决大规模数据计算问题,广泛用在医疗、教育、金融和娱乐等公共服务领域。云任务调度策略与云计算的性能和效率密切相关,因此如何在既满足需求又保证负载均衡的情况下进行云任务调度是云计算的热点问题。本文针对传统云平台资源利用率不高和配置不合理等问题,将灰狼和鲸鱼等优化算法应用到云任务调度上,完善现有调度算法存在种群多样性低、全局寻优效果差以及对云平台性能考虑不完善等缺陷。本文的主要工作包括:（1）提出结合随机游走和灰狼优化的云任务调度算法（Random Walk-based Grey Wolf Optimizer,RWGWO）。针对灰狼优化算法求解时主要依赖适应度最好的前三只狼,求解精度低,很容易产生搜索停滞的问题,首先使用排队论优化云任务以降低任务等待时间;接着提出自定义适应度函数用以优化任务完成时间、执行时间、成本和资源利用率;然后在算法探索阶段引入基于Lévy Flight的随机游走算法,增强灰狼的全局开发能力;最后定义结合个体和种群信息的狩猎机制,避免算法陷入局部最优。在Cloud Sim上进行多组仿真实验,结果显示RWGWO算法能更高效的均衡全局和局部寻优性能,得到的资源配置方案在任务完成时间、执行时间、成本上相对分别平均降低19.45%、8.08%和16.78%,在资源利用率上平均提高8.29%,显著提高了工作效率。（2）提出融合灰狼和鲸鱼的云任务调度算法（Hybrid Grey Wolf and Whale Optimization Algorithm,HGWWOA）。针对灰狼算法种群多样性低、搜索趋于单一、易陷入局部寻优的缺陷,首先使用排队论降低云任务等待时间;然后提出3个适应度函数,其中2个单目标函数分别优化任务完成时间和成本,使用鲸鱼算法更新最优解,并将其作为灰狼的初始种群,增加种群多样性,1个多目标函数优化任务执行时间、不平衡度和资源利用率,使用灰狼算法更新最优解;最后结合个体和种群的搜索机制避免算法陷入局部最优。多组仿真实验表明:该算法能够有效的保证虚拟机的负载均衡,得到的资源配置方案在任务完成时间、执行时间、不平衡度和成本上分别平均降低14.52%、19.20%、14.02%和10.16%,在资源利用率上平均提高8.92%。（3）设计并实现云任务模拟调度系统。该系统利用Python和Java语言开发,集成了本文提出的两种任务调度算法模型,能够实现读取和展示云任务数据,云任务模拟调度以及展示调度结果等功能,有效地将方法与应用相结合。