随着科技时代的不断进步,云计算就像水电一样融入到人类生活,服务于人类社会的各行各业。在复杂多变的云计算环境下,工作流应用调度问题是一个重要的研究领域。由于工作流任务与资源之间的映射是NP难问题,调度算法无法实现在有限的时间内找出最优调度方案。目前在云计算环境下的工作流调度广泛使用的是一些启发式和元启式算法,它们性能较好但需要消耗较多的计算资源。传统的调度算法虽然效率较高计算资源消耗较少,但最终调度效果差强人意。为了解决云计算环境下的这些调度问题,本文对现有的元启式调度模型及算法进行了详细调研与总结,并通过对基于多目标粒子群云工作流调度（MOPSO-CWFS）算法优缺点分析,提出了一种进化状态可控的多目标粒子群云工作流调度（ESCMOPSO-CWFS）算法。本文所提出的调度算法可以获得更接近真实Pareto前沿的最优调度方案集合,并能在加快算法收敛速度的同时避免算法因陷入局部最优而无法得出真实最优解。首先,ESCMOPSO-CWFS算法通过引入四分位差统计量与信息熵的概念设计出粒子群进化状态定量评估方法,该方法实现了粒子群进化状态的动态监测。然后为了解决粒子群在进化过程中可能收敛至局部最优状态问题,引入扰动策略对粒子群进化过程施加扰动,使得粒子群由收敛状态转变为探索状态,在更广泛的调度方案解空间内探索,从而使得到的调度方案集合更接近真实的Pareto最优前沿。接着,算法还通过设计方案库的动态维护策略与全局最优粒子选择策略,既促使粒子群加速收敛至潜在最优解空间,又保证了最终候选调度方案解集的多样性。本文在最后通过对仿真平台Workflow Sim进行扩展,在扩展后的平台上利用真实环境中的工作流应用实例对提出的调度算法进行仿真实验。实验将本文调度算法与PSO-CWFS及MOPSO-CWFS算法做了比较,结果表明本算法得到的解集中的调度方案具有更快的完工时间及更低的执行成本,同时候选调度方案的分布更加均匀,提升了用户的可选择性。