随着信息技术的蓬勃发展,云计算作为一种分布式计算技术,已经成为行业中的研究热点。它是支持人工智能、区块链等技术发展的基础技术环境。云计算系统拥有庞大的资源池,为了满足用户特定的服务质量请求,它需要对各类任务进行合理的调度。现阶段,随着数据中心的快速扩张,数据中心的能源消耗也迅速增长,将会制约云计算的发展。在云计算环境下,如何有效地给任务分配合适的资源是服务提供商需要研究的主要问题之一。目前,调度算法偏向于研究任务调度所花费的最小时间或最少费用等单目标优化问题,而考虑复杂的用户质量请求的算法比较少。为了提供更优的服务和获得较好的经济收益,服务提供商需要从多目标优化的角度出发研究任务调度问题。本文以时间、费用和能耗作为任务调度的优化目标,主要的研究工作如下:(1)针对任务调度需求的复杂性,分析了云计算体系结构和云数据中心,为了降低数据中心的能源消耗,采用动态电压频率调整技术,引入了多目标优化概念。对本文所要研究的多目标优化问题建立了任务调度系统模型。(2)针对多目标粒子群优化算法存在难以平衡开发与开采的问题,提出了基于格分布方差的多目标工作流调度算法。改进了网格坐标系,提出了格分布方差。设计了精英粒子选择策略并将其应用在差粒子自学习策略中,以提高Pareto前端的多样性。利用格分布方差评估当前Pareto前端的多样性程度,并以此动态调整进化策略,使得调度解集兼顾多样性和收敛性。(3)为了进一步优化任务的调度时间,提出了基于任务聚类的NSGA-Ⅱ算法的多目标任务调度算法。考虑到云计算按时付费的特性,设计了任务聚类算法以降低通信开销。结合任务的特点,进行个体染色体编码。分析与设计相关遗传算子,引入了动态拥挤距离算子,改善了种群多样性保持的策略,使得该算法更好地应用于调度解集的生成。为了验证本文算法的性能,通过WorkflowSim仿真平台,选取了同类多目标优化算法进行对比实验,实验结果表明:基于格分布方差的多目标工作流调度算法,其在调度解集的多样性和收敛性指标上较优,在调度时间、费用和能耗方面具有一定效果的提升。基于任务聚类的NSGA-Ⅱ算法的多目标任务调度算法,在调度时间上有明显的优势,且调度解集具有较好的分布性。