网格是一个集成的计算与资源环境,它能充分吸纳各种计算资源,并将它们转化成一种随处可得的、可靠的、标准的同时还是经济的计算能力,实现资源的全面共享。网格任务调度是网格研究的核心内容之一,如何合理地将任务分配给不同资源,使整个网格系统达到最佳的性能,这是任务调度需要解决的问题。由于网格自身的分布性、异构性、动态性和自治性,使得传统的调度算法面临新的挑战。因此,如何在现有调度算法的基础上提出一个好的调度算法,尽可能提高网格系统的吞吐量,是一个重要而现实的问题。遗传算法是近年兴起的一种用于解决优化问题的启发式算法,被广泛用于解决各类NP问题和任务调度问题。有仿真实验证明:在处理调度问题时,遗传算法与传统调度算法相比更具优越性。由于基本遗传算法SGA(Simple GeneticAlgorithm)本身存在一定的缺陷,比如“早熟”收敛和“欺骗”问题,因此大批学者都致力于改进遗传算法的探索和研究中。本文深入解析了遗传算法和模拟退火算法SA(Simulated Annealing)的基本原理,针对SGA的不足,提出了一种混合遗传算法HGA(Hybrid Genetic Algorithm)。HGA在SGA的基础上,主要改进了以下几个方面:借鉴了模拟退火的思想,根据SA中的Metropolis准则决定是否接受由交叉和变异操作产生的新个体,使得在接受优质解的同时,也有限度的接受劣质解,保证了种群的多样性;采用了自适应交叉和变异概率;适当地改进了遗传操作。根据网格任务调度的特点,本文详细设计了混合遗传算法的各个组成部分。在GridSim网格模拟器中,对混合遗传算法进行了仿真实现,并与SGA和SA进行了对比,结果表明本文提出的混合遗传算法具有更好的搜索能力和收敛速度。