近些年,云计算的迅速发展使其成为当下的研究热点,其中,云计算中的工作流任务调度以及资源分配也受到了广泛关注。云计算的工作流调度是指将工作流中具有依赖关系的任务分配给计算资源并且执行的过程。工作流任务调度算法是指在满足用户需求的情况下,找到最优的调度方案来完成任务与资源的映射并成功执行任务。粒子群优化算法(Particle Swarm Optimization,PSO)可以应用在云计算的工作流调度中,来获取工作流中任务与资源的映射。本文针对调度中存在的一些缺点提出了相应的改进。以下为取得的研究成果:首先,提出了一种基于资源预处理的调度策略。在调度过程中,资源的编号是随机的,不具有实际意义,会使粒子在迭代过程中更新位置时变得很盲目。针对这个问题,本文以资源单位时间的成本和内存作为标准,重新对资源进行编号,使资源编号在调度过程中具有实际意义,并且粒子在更新位置时会根据约束目标来移动。最终本文实现了改进后的调度策略,该调度策略使得粒子在移动过程中会判断出哪个位置更符合约束目标。其次,提出了一种自适应PSO调度策略。在调度过程中,惯性权重对平衡局部搜索与全局搜索具有重要的作用。而将惯性权重设置为常数已经无法平衡好局部搜索与全局搜索,这会影响最终的调度成本。针对这个问题,本文提出了一种动态变化的惯性权重机制,并且为了保证调度的稳定性,加速系数会随着惯性权重的变化而变化。最后,本文实现了改进后的调度策略,该调度策略中的惯性权重与加速系数具有动态变化的特性。最后,提出了一种基于元启发的PSO调度策略。在调度过程中,当粒子的局部最优位置信息占据优势时,最终获取到的全局最优位置信息则不是搜索空间中真正意义上的最优信息。针对这个问题,本文提出结合迭代局部搜索算法(Iterated Local Search,ILS),利用其扰动的特性,使得粒子群在陷入局部最优时可以跳出当前的搜索空间,从而获取到搜索空间内的最优信息。