复杂科学计算需要大量资源请求,当本地资源不足时,如何调度任务以满足用户需求成为云提供商面临的关键问题。本文研究混合云场景下带截止期约束的多工作流调度问题,考虑私有云中执行任务的电力成本和按需租赁外部公有云资源的租赁成本,以最大化私有云服务提供商的利润为目标,具有重要的实际意义和应用前景。与其他NP难的工作流调度优化问题相比,该问题面临的挑战主要包括两方面:(1)由于本问题考虑电价的时间差异性,如何在满足任务截止期约束的同时降低云提供商的电力成本;(2)由于所提供资源的异构性,不同的任务调度方法造成不同的任务松弛时间,而松弛时间的处理策略多种多样,如何在众多任务调度方法和松弛时间处理策略的组合中选择出一种使得私有云提供商的利润最大化。针对所考虑的问题,本文提出一种基于种群熵的自适应粒子群多工作流调度算法(SEPSO)。算法分为两个阶段:工作流应用排序和任务分配。工作流应用排序阶段对用户提交的一批带有截止期和预算约束的工作流进行排序。任务分配阶段包括基于最大深度的任务子截止期划分、基于规则的初始任务调度序列生成、资源分配和任务调度序列调整四个部分。初始任务调度序列生成部分提出最小任务处理时间优先、最大后继数量优先、最短松弛时间优先和随机排序四种规则;资源分配部分针对混合云环境分别提出私有云资源分配和公有云资源分配算法,在任务满足其子截止期的条件下,优先分配至私有云。公有云资源分配中提出基于速度和价格比的虚拟机选择函数;由于任务调度序列与最终虚拟机分配结果紧密相关,不同的任务调度序列可能会产生不同的租赁成本和电力成本,进而影响私有云提供商的利润,因此本文提出任务序列调整算法,根据种群熵的变化对算法飞行参数进行自适应调整,以平衡搜索过程中的集中性和多样性,避免算法很快陷入局部最优。为验证所提算法的性能,本文采用多因素方差分析技术对算法的相关参数和规则进行校正,选择最佳的参数和规则;然后将所提算法与三种相关算法在标准科学工作流实例中进行对比和分析。实验结果表明,本文所提出的SEPSO算法在不同截止期程度、不同工作流规模以及不同任务数量下的性能均明显优于比较算法。