云计算为用户和企业带来了便利。然而,随着用户提交任务的数量,虚拟机的数量和异构性的需求不断增加,导致云的规模不断复杂化。进化算法在求解时需要消耗大量的计算资源以及运行时长才能够得到一组可行的调度方案。本文以进化多任务算法为研究背景,将云任务调度模型重新描述成多任务优化的形式并使用进化多任务算法进行求解,并设计出性能更优的优化算法。（1）针对多目标云任务调度问题,首先通过基于分解的思想,对目标函数子加权聚合的方式将该问题分解为一组简单的多目标优化子问题。其次,将多因子优化应用到该调度问题,提出了一种将任务调度特点与多目标多因素优化相结合的MFO-D算法去构造辅助优化任务。最后,设计了一个动态迁移策略,从问题的重叠程度出发,衡量了辅助任务之间的相似性来动态控制MFO-D算法中知识迁移概率的大小。（2）由于云上会收到用户上传的大量任务集,所以计算资源的复杂性也会增加。为了更好仿真现实场景下的云调度问题,提出了一种大规模多目标云任务调度模型。通过考虑用户提交的任务需求来调度合适的虚拟机资源,同时考虑任务执行时间和任务执行成本。其次,提出了一种基于多因子的NSGA-III算法。实验结果证明,与其他优化算法相比,该方法能够在保持目标函数的良好结果下获得最佳的调度方案。（3）为了构建出的问题模型提供一种更有效的求解算法,本文提出了一种自适应多种群多目标算法A-MPMO框架。目前的算法在处理复杂模型时,会因为参数设置的不同而产生截然不同的优化效果。因此,消除算法对参数的敏感性是一个有意义的研究问题。首先,A-MPMO将种群划分成多个子种群来扩大搜索范围,它们分别采用具有不同遗传参数的算子进行迭代更新。其次,在多种群的基础上,子种群之间会相互竞争有限的计算资源,即每个子种群的大小会根据其对解决问题的贡献程度进行自适应调整。最后,会选择出最适合于解决问题的一组子种群。在基准测试套件DTLZ、ZDT和UF上与其他多目标优化算法相比,实验结果证明A-MPMO具有更好的性能。将A-MPMO算法用于求解以上所提出的问题模型,结果显示A-MPMO均优于其他对比算法,进一步证明算法的有效性。