工作流是提供科学实验的常用模型,它由许多任务,数据流和计算依赖性组成。将工作流任务与用于执行的计算资源(VM)映射的过程(保留任务之间的依赖性)被称为工作流调度。工作流技术是描述分布式系统中广泛科学应用的通用模型。它在物理学、化学、生物学和计算机科学等许多基础科学领域的过程中具有重要作用。云计算为执行具有巨大计算资源的大型应用程序提供了有前景的平台,以按需提供在云模型中,用户根据其资源使用情况和所需的服务质量(QoS)规范收费。尽管传统的分布式或异构计算环境中存在许多现有的工作流调度算法,但由于云与基于服务的资源管理方法和按使用付费的定价策略不同于传统的异构环境,因此难以直接应用于云环境。我们提出了一种基于进化多目标优化(IEMS)的算法来解决基础架构即服务(IaaS)平台上的工作流调度问题。本算法针对多目标云工作流调度使用新的编码方式和遗传算子,同时改进初始种群的个体,以加快搜索速度、求得更优的调度结果。对现实工作流程和随机生成的工作流程进行的大量实验表明,结果表明,在大多数情况下,我们的算法可以获得比现有的QoS优化调度算法更好的解决方案。进行的实验基于Amazon EC2的按需实例类型;但是,该算法很容易扩展到其他IaaS服务的资源和定价模型。