近来年随着并行计算和互联网技术的迅速发展,集群系统开始大量出现,并且由于其性能优越、可扩展性强、成本低廉、可靠性高等特点已逐渐成为高性能计算的主流平台。同时,对于集群性能的研究也越来越受到学者们的关注,特别是对集群性能有着重要影响的任务调度问题更是研究热点之一。针对集群环境下的任务调度问题,目前已有很多有效的调度策略被提出,如启发式算法中基于表调度的EFT(Earliest Time First)、CPOP(Critical Path ON a Processor)等,还有智能优化算法中的遗传算法、粒子群算法、蚁群算法等。这些算法各有特点,启发式的算法一般都具有较低的时间复杂度和较高的执行效率,但在寻优质量和鲁棒性方面较差;而智能优化类的算法一般在求解质量、寻优能力以及鲁棒性方面表现优异,但结构复杂而且时间复杂度较高。另外,现己提出的任务调度算法中很多都是基于同构计算环境的,对于目前更为复杂的异构集群环境却涉及较少。本文对异构集群环境下任务调度的概念、特点及目标进行了详细地介绍,还对面向依赖型任务调度问题的DAG(Directed Acyclic Graph)模型进行了综述,并基于一种新兴仿生智能优化算法IWO(Invasive Weed Optimization)提出了一种面向异构集群的入侵式杂草任务调度算法IWOTS(Invasive Weed Optimization Task Scheduling)。该算法将IWO在寻优能力、收敛性能及鲁棒性方面的优势与HEFT算法高效率和低复杂度的特点融合在一起。实验结果表明,IWOTS在最优解质量、鲁棒性及适用规模等方面较 HEFT(Heterogeneous Earliest-Finish-Time)、GA(Genetic Algorithm)等算法表示出了更好的性能。最后,针对IWO中容易出现的早熟现象的问题,提出了一种IWOAP(Invasive Weed Optimization using Avoid Precocity strategy)算法,使用个体衰老、浓度控制及除草剂等策略对IWOTS进行了改进和优化,以预防算法中早熟现象发生,提升了算法寻优能力。实验表明,IWOAP改善了IOWTS在收敛性能及寻优质量等方面的性能。