近年来,由于分布式计算的高可扩展性,可靠性,信息共享性以及低成本等特点,云计算得到飞速发展。云是一个巨大的共享资源池,提供了一种按需付费的商业模式,可以为用户提供不同的服务。用户按照自己的实际需求个性化地使用云中的资源服务。任务调度一直是云计算研究中的热点问题,云计算任务调度的核心在于如何对用户任务和计算资源进行合理地管理和调度。如何合理地为任务分配云资源是一个复杂的,值得深入探讨的问题。由于任务属性各不相同,以及任务对资源种类的需求也不尽相同,任务与资源的映射方式也会有所差异。同时,云资源的状态及属性也会影响到最终的分配结果。云计算系统可以高效且稳定运行的原因在于是否采用性能优异的调度算法。在设计调度算法时,需要同时满足云服务供应者和用户的需求,怎么调度动态异构的云资源,这是值得研究学者密切关注的问题。蚁群算法(Ant Colony Optimization)是一种模拟蚂蚁觅食行为的组合优化算法。蚂蚁之间通过信息素进行交流,从蚁穴出发寻找食物源的过程中释放出的信息素会遗留在该蚂蚁所走过的路径上,路径越短,单位时间内通过该路径的蚂蚁就越多,那么释放的信息素浓度就越高,该路径对后来的蚂蚁的吸引力更强,最终所有蚂蚁都选择此路径,即就是在蚁巢和食物源之间确定了一条较短路径,形成正反馈循环。由于蚁群算法在组合优化领域表现良好,它常被用在云任务调度中,但它也具有一定的局限性。蚁群算法在任务调度过程中可能出现资源利用率过低以及资源负载失衡的现象,针对这个问题,本文改进了蚁群算法的信息素更新方式,将负载均衡因子与状态转移概率紧密结合,提出了一种基于负载均衡蚁群算法(Load Balancing Ant Colony Optimization,LBACO)的云计算任务调度策略。本文详细介绍了云仿真平台CloudSim。实验环境配置好后,对本文所设计的改进后的负载均衡蚁群算法进行了模拟实验。通过跟标准蚁群算法进行对比试验,表明本文所设计的负载均衡蚁群算法在任务执行时间上表现优异,并且在一定程度上提高资源利用率,有效地保障了系统的负载平衡。