在云计算环境下的工作流任务调度决策,是智能决策领域的常见应用问题,该问题场景要求将若干并行的计算任务分配调度到分布式计算节点上。工作流任务调度方案涉及多个需要同时优化的目标维度,并且存在搜索空间巨大、方案建模困难等挑战。在现有相关研究中,还存在诸如优化算法效率较低、容易陷入局部收敛等问题,另一方面,在算法拟合决策者偏好的表现上,现有工作仍然有偏好表达不全面、交互操作时间消耗较高等不足。因此,本文在多目标进化算法与交互式多目标优化算法的改进上,主要研究了以下三个问题。首先,提出了一种融合精英策略的改进多目标进化算法,采用元启发式搜索的方式,对工作流调度方案进行编码,将编码后方案映射到决策空间,在融合了基于多种群的精英策略后,通过改进的进化算子进行迭代优化,求解出最优工作流任务调度方案。本算法通过对多目标进化算法的流程框架与进化算子的创新性改进,使得在保证算法收敛速度与避免陷入局部收敛的同时,提升了解的质量。为后续研究问题提供了底层的算法框架与所需的模型数据支撑。其次,针对决策者主观偏好信息的表达与嵌入问题,提出了一种偏好嵌入的交互式多目标优化算法。算法通过决策者设置的期望参考点,以及基于多约束的交互式偏好向量生成方法,共同构成决策者的综合偏好模型,引导多目标优化算法的进化方向,从而获取优化的最优解集。然后通过改进膝点检测方法,选取对于各个决策目标维度折衷损耗最小的点,作为符合决策者偏好的最优解输出。最后,进行了面向工作流调度任务的智能辅助决策子系统实现。首先面向系统的整体流程与算法模块设计对系统实现进行了分析。系统允许决策者设置计算节点与工作流任务属性,以及子任务节点间的依赖约束,作为多目标优化算法的初始输入。决策者还可根据自身偏好,选取期望参考点,通过交互式算法生成决策者偏好模型,最后得到符合决策者偏好的调度方案。本文针对其他现有工作中算法效率低下、决策者偏好表示不佳等问题,提出两种优化算法,并通过算法的方案优化为工作流任务调度的决策流程提供充分支持。与其他现有算法相比,本文能够在更短的收敛时间内,生成更优的解集,输出的最终解同样能够更好的拟合决策者偏好,带来更小的决策误差。