网格是一个集成的计算与资源环境,它能充分吸纳各种计算资源,并将它们转化成一种随处可得的、可靠的、标准的同时还是经济的计算能力,实现资源的全面共享。网格任务调度是网格研究的核心内容之一,如何合理地将任务分配给不同资源,使整个网格系统达到最佳的性能,这是任务调度需要解决的问题。由于网格自身的分布性、异构性、动态性和自治性,使得传统的调度算法面临新的挑战。因此,如何在现有调度算法的基础上提出一个更好的调度算法,尽可能提高网格系统的吞吐量,是一个重要而现实的问题。遗传算法是近年兴起的一种用于解决优化问题的启发式算法,被广泛应用于解决各类NP问题和任务调度问题。有仿真实验证明:在处理调度问题时,遗传算法与传统调度算法相比更具优越性。由于基本遗传算法SGA(Simple GeneticAlgorithm)本身存在一定的缺陷,比如“早熟”收敛和“欺骗”问题,因此大批学者都致力于改进遗传算法的探索和研究中。而传统自适应遗传算法AGA(Adaptire Genetic Algorithm),虽能有效提高收敛速度,却难以增强算法的鲁棒性。本文深入解析了遗传算法和云模型的基本原理,针对SGA及AGA的不足,提出了一种云模型自适应遗传算法CMAGA(Cloud Model Adaptive GeneticAlgorithm)。CMAGA在SGA和AGA的基础上,主要改进了以下几个方面:选择操作采用精英选择与最优保留的策略,提高了种群的多样性,同时交叉变异操作借鉴了云模型中云滴的随机性和稳定倾向性特点,由云模型云发生器算法产生交叉概率和变异概率,使概率值既具有传统AGA的趋势性,满足快速寻优能力;又具有随机性,在适应度最大时并非绝对的零值,从而提高了避免陷入局部最优的能力。根据网格任务调度的特点,本文详细设计了改进遗传算法的各个组成部分。最后,采用Matlab语言编写基于改进遗传算法的任务调度方法,对改进的遗传算法与传统遗传算法进行比较。实验数据证明了改进后的遗传算法既具有全局搜索能力,又具有较快的收敛速度,具有较好的性能,该实验达到了本文以实现任务调度的最优跨度为目标的实验目的。