云计算作为一种新的高速网络计算服务受到越来越多的青睐，云计算技术广泛应用于通讯、交通、金融、制造等领域。通过实施任务的最优调度，充分利用现有资源实现任务的最快完成，是云计算中任务调度算法研究的目标。随着云计算的高速发展，云系统底层技术构架发生了明显变化，云系统结构越来越复杂，资源节点数量越来越多，不同云之间的差异性越来越明显。同时，用户数量多、行业普及、服务需求多、时效性期望高、数据海量且多样化等特点日益明显。已有的任务调度算法难以满足新形势下任务调度的需求，迫切需要研发更优的任务调度算法。
　　为此，本文遵循实现系统负载均衡的基本原则，提出了适于云环境面向负载均的任务调度算法，以适应新形势下云环境及用户的需求。本文针对云环境复杂程度不同，分别提出负载评估和负载预测的算法，并对云计算中具有差异性的资源节点和任务进行聚类分析，在此基础上提出了新的任务调度算法，取得以下主要创新成果:
　　(1)针对私有云节点异构等原因产生的负载不均衡现象，提出了节点负载评估的SARIMA算法。该算法以提高私有云系统资源利用率为目标，采用基于时间序列的两步法预测CPU工作负载。算法使用WPD法将原始序列转化为更稳定的子序列，通过SVM拟合提高ARIMA模型预测的精度，得到资源节点负载情况。SARIMA算法得到的资源节点负载评估结果，可作为任务调度的基础，也可用于资源节点负载监测。
　　(2)针对公有云多数据中心、多资源节点等特点，提出了适用于公有云的GFCEM资源节点负载预测算法。为提高负载预测结果的准确性，GFCEM算法允许考虑可能影响节点负载的主要指标。算法引入三角模糊权重对各个资源节点的指标进行赋值，应用模糊综合评价与灰色关联理论相结合的方法，预测公有云环境下的资源节点负载情况。GFCEM算法预测的负载结果可作为任务调度算法的初始参数，也可作为虚拟机迁移的依据。
　　(3)针对云计算技术在实际应用中动态性强、时效性高，资源节点和云任务数量大，且往往具有数值型、分类型多属性的特点，为优化任务调度算法，提出了可实现高维混合属性对象聚类的MATC算法。算法首先度量对象与类之间的相异性，计算属性的类模糊质心，结合改进的欧氏距离模型计算对象与类质心的欧氏距离;然后利用熵的理论，计算类的内部熵和类的外部熵，得到基于信息熵的混合属性对象的聚类结果。MATC聚类算法可以对混合属性对象进行较为准确的聚类，聚类结果可作为任务调度的基本初始参数。
　　(4)针对现有任务调度算法不能很好满足云计算系统规模差异性大和资源节点异构性突出的问题，提出面向负载均衡的任务调度算法IAACO和IAPSO，两种算法均较好的考虑了资源节点负载均衡的因素。IAACO算法在满足负载均衡的前提下，重点解决了传统算法中出现局部最优解的弊端。IAPSO算法考虑了节点的多属性且差异性明显的问题，在较好预测节点负载情况的基础上完成任务的调度，最终得到理想的任务完成时间。
　　通过以上研究，就新形势下云环境中的任务调度问题提出了新的解决方案。经系统测试实验表明，本文提出的任务算法在保持系统负载均衡、提高系统资源利用率和执行效率方面优势明显，可广泛应用于云系统中。