云计算作为近些年兴起的一种新型计算模型，它是由网格计算、并行计算及分布式计算逐步发展而来。由于云计算具有巨大的商业价值，并且对目前的互联网运营模式影响重大，已成为国内外企业及科研部门的研究热点。云计算环境中，用户数量庞大，系统要处理的任务量繁重，并且其体系结构较为复杂，因此考虑如何对任务进行合理高效地调度，以尽可能满足用户服务需求，并实现系统的全局最优化，成为了云计算研究领域的重点和难点。　　蚁群算法在解决任务分配、空间约束优化、图形分割等问题上取得了一系列较好的实验结果。算法在求解复杂的优化问题特别是离散优化问题时，突出了其高效性及优越性，具有较大的发展前景。　　本文的研究工作主要包括以下两个方面：　　1）针对蚁群算法在解决云任务调度问题时尚未综合考虑算法的寻优能力及收敛速度的情况，提出了信息素动态调整的改进蚁群算法（Improved Ant Colony Optimization，IACO）对云任务进行调度。为缩短任务的完成时间及降低资源的负载不均衡程度，该调度算法根据任务量大小对任务进行了排序，以降序作为任务调度顺序，定义了启发信息以及信息素挥发因子，该因子随迭代次数的变化动态调整，以保证算法在迭代前期具备较好的寻优能力，后期具备更快的收敛速度。　　2）针对蚁群算法在对云任务调度时易陷入局部最优的不足，提出了概率自适应蚁群算法（Probability Adaptive Ant Colony Optimization,PAACO）的云任务调度方法。算法定义了任务集中度，引入了任务分配概率自适应因子的概念，若当前任务的分配集中度大于设定阈值，则通过概率自适应因子对任务的分配概率进行调整，从而扩大算法的搜索范围，避免算法局部收敛。　　研究实验结果表明，所提IACO算法相对资源状态蚁群算法（Status Ant Colony Optimization，SACO）及轮转算法（Round-Robin，RR），在缩短任务完成时间及降低资源负载不均衡程度方面，均有一定程度的优化；所提PAACO算法相对基本蚁群算法（ACO）及改进蚁群算法（Modified Ant Colony Optimization, MACO），能一定程度的降低了任务完成时间，提高算法的执行效率。此外，本文又采用统计检验方法对PAACO算法进行了进一步验证，结果表明该算法相对ACO算法、MACO算法，在执行效率方面优势较为显著。