网格计算是一种特殊的具有重要创新思想和巨大发展潜力的分支网络计算。从概念上讲,网格计算的目标是资源共享和分布协同工作。而任务调度作为网格高性能计算的一个重要方面,它的性能好坏直接影响到网格计算的性能优劣。随着网格方向逐步走向标准化、大型化和多技术融合化,对任务调度的性能提出了更高的要求。网格任务调度算法成为网格研究的一个热点。网格的任务调度问题一直是一个NP问题,目前采用的大多是启发式调度算法。网格任务调度一般分为静态调度和动态调度两大类。在动态调度中任务调度又分在线模式和批模式两种,批模式具有动态在线模式算法的实时性,又具有静态映射调度算法的高效性,在很多计算系统中得到了广泛应用,比在线方式更能充分利用计算资源。但是对于传统的批调度算法如最小最短算法MIN-MIN、最大最短算法MAX-MIN、最大间距算法MAX-INT,从负载均衡度和调度跨度这两个重要的网格性能角度看,它们在调度跨度取得较好成果的同时,在负载均衡度上并不尽如人意。针对网格的异构性,本文提出了一种改进的算法——Q VARIANCE(Queued Variance algorithm)。该算法在总结了经典算法优点及缺点的基础上,负载均衡度有了显著提高,并且调度跨度也得到改善。任务分配到各个机器上执行时间会有差异,方差是反映该差异的数学变量。该算法首先将执行时间的方差作为任务执行优先级的评判基础。每个任务都存在一个方差,将各个方差求得的期望作为任务分组的分界线,从而将批量任务分为方差大组和方差小组。每一次任务分配以基数因子为基准分成几轮。每个轮次,每个组按照相应比例进行任务调度,增强任务的负载均衡度,缩短任务的调度跨度。然后以MIN-MIN、MAX-INT算法为测评基准,利用网格调度的模拟工具包GRIDSIM,在NETBEANS环境下,进行大量的仿真实验,结果证明:Q VARIANCE算法具有很好的调度性能,能够适用于网格异构偏差大条件下的网格任务调度,并且能得到比MIN-MIN、MAX-INT更优的调度结果。论文最后除了对研究工作进行了相应的总结外,还对今后的研究方向进行了展望。