任务调度问题是云计算应用中的一个关键性问题,云计算系统具有数据规模庞大和用户群纷繁的特点,资源共享和重用的请求十分频繁。系统需要不断地对用户请求做出响应,在这个过程中要完成对用户作业的调度和管理。如何高效地分配云环境中的资源,高效地管理大规模任务,从而得到一个较好的任务调度序列,既能保证系统负载维持在一个相对均衡的状态以避免热区,又能提高资源的利用率已成为当今云计算研究领域的热点之一。然而当前云计算调度研究也面临很多挑战,首先云环境中资源异构以及动态多变已是不容忽略的事实。其次,云计算作为一种服务,一个关键性的问题就是如何满足用户的服务质量(QoS)要求。如果作业的运行时间过长,将必然增加用户的租用开销,导致对云服务质量的不满。为了解决上述问题,根据云环境的特点和传统的AGA(Adaptive Genetic Algorithm)算法,本文提出了面向不同优化目标的JLGA(Job Spanning Time and Load Balancing Genetic Algorithm)和QoS-GA(QoS Oriented Genetic Algorithm)改进的双适应度遗传算法,设计了多目标约束协同的任务调度方案。JLGA把作业的总计完成时间、平均计算时间和负载均衡作为算法的优化选择目标。在云服务商业模式背景下,设计了面向用户服务质量的租用费用遗传算法QoS-GA,在该算法中,将作业总计完成时间、平均计算时间和总计费用开销作为算法的优化目标。在上述多目标约束协同的任务调度方案中采用贪婪的初始化方法对种群进行初始化,加权多个适应度函数。最后通过实验分别对JLGA和AGA, QoS-GA和AGA性能进行对比分析。模拟实验结果显示JLGA比AGA花费更少的时间,能够更好地平衡整个系统的负载。QoS-GA相比AGA具有更少的时间开销和费用开销,能够更好地满足用户服务质量要求。