云计算作为最新的分布式系统模型,提供了易于访问、灵活可扩展的软硬件服务,这使得用户不必再浪费过多的精力用于底层的软硬件管理而专注于问题的求解,云计算环境中海量的计算资源也很好的满足了日益增长的用户需求;对于复杂问题,工作流提供了一种简单有效的实现方式,工作流也可以充分利用云计算环境中位于不同地理位置的计算资源,这也使得越来越多的用户开始在云计算环境部署并执行用于求解复杂问题的工作流任务。在云计算环境下,如何经济高效的给工作流任务分配合适的计算资源,是云计算服务提供商亟需解决的关键问题,而以往的调度方法往往只考虑单方面的诉求,如最小化运行时间或者最小化运行花费,这种调度方式已经不适用于云计算环境,因为云计算环境按需付费的特点,使得用户总是渴望在得到最好服务的同时花费最少的代价,市场化的云计算也使得云服务提供商必须考虑用户的这种诉求,以获得更好的用户体验和竞争优势,在这种情形下基于多目标优化的云工作流调度问题就显得越发重要。本文的主要工作如下:(1)进行了云工作流调度目标的冲突性分析。具有冲突性目标的选取是多目标优化的基础,现有多目标优化的云工作流调度在选择目标时具有一定的主观性,这些目标之间的关系如何,往往不得而知,若是优化两个相关性很强的调度目标在很大程度上会影响多目标优化技术的求解效果,基于此本文在调研现有相关云工作流调度研究文献的基础上,提炼出六种常用的云工作流调度目标,并对这六个目标进行冲突性分析,冲突性分析结果可以用于指导多目标优化的云工作流调度的目标选择。因为云工作流调度问题是典型的NP难问题,其决策空间是指数级别的,本文采用正交试验设计来获得决策空间均匀有代表性的决策样本,并在云工作流调度模型的基础上评估这些决策样本对应的目标函数值,鉴于云工作流调度目标之间不是简单的线性关系,本文采用一种非线性冲突性指标来分析云工作流调度目标之间的冲突性,并在目标冲突性分析的基础上建立了基于时间和执行代价的云工作流调度模型以及基于时间和传输代价的云工作流调度模型。(2)提出了基于权向量调整和局部搜索的MOEA/D(Multiobjective Evolutionary Algorithm Based on Decomposition)算法,并将该算法分别应用在基于时间和执行代价的云工作流调度模型以及基于时间和传输代价的云工作流调度模型。在求解多目标优化问题时,往往希望获得一组在目标空间分布较为均匀的Pareto占优解,而原有MOEA/D只对Pareto前沿接近规则超平面的问题才能获得分布较为均匀的解,对于Pareto前沿较为复杂的问题其获得的解分布性并不均匀,而现实中的多目标优化问题通常无法获知其Pareto前沿的分布,并且这些Pareto前沿往往是复杂的,基于此本文在分析MOEA/D算法求解策略的基础上采用权向量调整的方法来获得分布更为均匀的解;对于多目标优化问题的求解,本文在获得分布较为均匀的解的同时也希望能够加快求解过程的收敛速度,而在算法中融合局部搜索可以明显提升进化算法的收敛速度,基于此本文将局部搜索加入到进化算法的求解过程中,并提出了基于局部搜索和权向量调整的MOEA/D算法。在对基于时间和执行代价的云工作流调度模型以及基于时间和传输代价的云工作流调度模型的求解中,基于局部搜索和权向量调整的MOEA/D算法相较MOEA/D算法和NSGA-II算法在获得较快收敛速度的基础上可以获得分布更为均匀的解,可以很好的为云工作流调度决策者提供决策支持。