随着智能时代的到来,越来越多的实验模式转向云计算和数据存储平台,大量工作流在资源内堆积,导致科学工作流调度成为亟待解决的难题。现有的调度研究目标较为单一,忽视了任务间的偏序关系以及计算资源的差异性,导致调度策略无法满足多样性的应用场景。因此,本文将针对上述问题,在不同云环境下,对科学工作流的多目标调度进行研究,具体研究内容如下:针对公有云环境中工作流完成时间最小化、调度公平性以及费用优化问题,提出了基于偏序关系的任务调度算法,依据任务间的偏序关系生成调度方案。考虑单个任务节点调度对全局的影响,避免不公平调度导致后继任务无法在截止期限内完成;同时,最小化任务节点的完成时间,降低费用开销。针对用户动态提交工作流问题,在基于偏序关系的任务调度算法基础上,提出了动态规划调度执行算法。按照调度方案进行动态执行,根据调度信息进行实时调整,并将用户提交的新任务与旧任务进行合并,生成新调度参数,避免旧任务优先调度而导致新任务调度时间跨度大,保证调度过程的公平性。针对混合云环境中,资源分布异构、性能指标差异大等问题,在基于偏序关系的任务调度算法基础上改进,提出了基于资源驱动的异构混合云优化调度算法。对任务优先级计算策略和资源遍历思想进行改进,利用改进策略对任务与资源进行预处理,通过资源驱动的启发式算法进行调度,以空闲资源为驱动,触发调度机制,减少了资源的空闲等待时间,提高了资源利用率。最后,通过Cloudsim仿真实验平台,对提出的算法进行仿真实验对比。基于偏序关系的动态规划调度算法从多个角度评估了实验结果,验证了算法在调度长度、运行时间、公平性和费用方面的表现优于现有算法;基于资源驱动的异构混合云优化调度算法通过实验对比发现,不仅时间与费用性能得到了提升,而且资源利用率性能明显优于现有算法,实现了云环境下科学工作流的多目标调度优化。