互联网的快速发展促进了云计算的出现,云计算的出现改变了人们过去对于计算机应用和网络应用的理解与使用方式。云计算为人们提供了更加安全舒适的网络服务,但是在复杂的云环境下,用户通常会根据自己的需求提出各种各样的任务申请,同时,实际生活中由于各处的服务资源情况分布不同,可能会出现资源不足不能及时完成用户申请,或资源过多出现闲置的情况,如何合理的处理用户申请和资源之间的关系成为了关键,所以合适的云任务调度策略就很有必要了,本文关于任务调度策略的提出了自己的看法。1)提出了基于改进蚁群优化(Ant Colony Optimization,ACO)的云任务调度算法。为了解决云任务调度过程中虚拟机资源使用不合理导致任务完成时间长的问题,本文提出了一种基于蚁群优化的任务调度算法。引入金融管理专业中的集团资产管理模式概念,采用集团资产管理模式管理虚拟机资源,同时对云任务进行优先级分级并排序,根据任务优先级与虚拟机的实时情况确立启发因子,以达到增强算法的搜索能力的目的;并且改进信息素更新规则,用以提高云任务求解率;建立云任务调度过程模型,并通过CloudSim模拟仿真器进行实验仿真,结果表明改进算法在任务平均完成时间上比ACO算法减少了,负载均衡值上也降低了,提高了资源利用效率。2)提出了一种基于遗传优化算法(Genetic Algorithm,GA)的双适应度函数改进算法。针对传统遗传算法在云计算任务调度过程中的收敛速度慢、易早熟等云任务调度问题,提出了基于遗传优化的双适应度函数改进算法。该改进算法采用任务完成时间和任务完成成本作为双适应度函数,并引入个体相似度来扩大个体间基因的差异性;采用并列选择法进行选择操作,并且采用自适应交叉操作和变异操作,以提高种群个体质量,采用加速收敛策略有效的避免早熟。在CloudSim模拟仿真器上进行实验仿真,仿真实验结果分析表明,改进的遗传算法可以有效的加快了云任务作业调度的收敛速度和改善了易早熟等现象。