云计算是一个最新的分布式计算范式,它为解决大规模复杂任务调度问题提供了巨大的机遇。由于云环境的复杂性、资源的异构性、云服务高收费等特点,云计算为用户提供可靠、高质量的服务等方面存在挑战。因为任务调度对减少任务完成时间、降低用户的花费具有重要作用,所以设计高效的智能算法来调度云任务、提高云服务的质量是目前云计算研究的一个热点。本文针对云计算中独立任务调度、工作流调度以及优先级调度的特点分别提出了智能优化算法。主要工作如下:1.在独立任务调度方面,针对传统调度算法在复杂云环境中面临模型的鲁棒性,局部最优和收敛速度的问题。本文首先构建一个鲁棒性的调度模型,此外,提出一种基于自学习策略和近邻启发机制的粒子群优化算法(SLNPSO)。其中,提出的自学习策略来提高种群的多样性,近邻启发机制来加快粒子的收敛速度。最后,引入贪心策略初始化粒子来提高算法初始解的质量。实验在云计算仿真平台CloudSim中进行,实验结果表明,提出的SLNPSO算法具有收敛速度快,避免算法陷入局部最优的特点。同时,算法可以减少任务调度过程中产生的时间和费用开销。2.在工作流调度方面,针对云计算中复杂工作流结构对其调度性能的影响以及云服务费用的增加,本文提出一种高效的基于任务聚类的成本感知工作流调度算法(ECOS)。提出的算法包括两个步骤:首先,基于时间考虑的垂直方向聚类,垂直方向聚类顺序结构的细粒度任务来减少工作流的传输时间;其次,基于成本考虑的水平方向聚类,水平方向聚类并行的任务,并且使用贪心策略为任务分配虚拟机和带宽资源,来实现截止时间内最小化费用的目的。该算法在工作流仿真平台WorkflowSim中进行实验,实验结果表明,ECOS算法可以提高聚类任务的效率,并且可以在截止时间内最小化工作流的费用。3.在优先级调度方面,针对云计算中任务对资源的不同需求,提出一种基于任务优先级和需求分类的任务启发式调度策略(PB-SC)。首先,对用户提交的任务,基于任务的资源需求类型对任务进行分类,来满足后期匹配到所需要的资源。此外,基于需求资源的权重,对任务进行优先级计算,并进行排序。最后,根据排序的任务依次进行任务调度,在满足时间的约束下,使用贪心策略最小化任务的花费。实验结果证明,与其它对比启发式策略相比,PB-SC策略可以在合理的时间范围内,最小化用户的费用。