云平臺的任務(wù)調(diào)度算法是云計算領(lǐng)域研究的熱點。如何在滿足不陷入局部最優(yōu)解的同時有更快的收斂速度，一直是研究者追求的目標之一。為此，本文提出將改進隨機因子和慣性權(quán)重的增強型粒子群算法（EPSO）引入到遺傳算法（GA）變異操作中的增強型遺傳粒子群混合算法（GA_EPSO）。通過EPSO算法中的當前最優(yōu)解和全局最優(yōu)解重構(gòu)變異算子，探索提升GA_EPSO算法在不陷入局部最優(yōu)解的條件下，有更快的收斂速度。仿真實驗表明，相同條件下，與遺傳算法（GA），改進后的遺傳算法（IGA），粒子群算法（PSO），增強型粒子群算法（EPSO）以及遺傳粒子群算法（GA_PSO）相比，本文提出的改進算法不僅收斂速度快，而且任務(wù)調(diào)度效率也有明顯提升。

?

　　云計算作為當今IT 界的熱點技術(shù)，從產(chǎn)生便受到各領(lǐng)域?qū)W者的廣泛關(guān)注，它擁有強大的處理能力，其中關(guān)鍵技術(shù)就是基于云計算任務(wù)調(diào)度算法的設(shè)計與應用。如何合理地分配和利用云環(huán)境中的資源、有效地調(diào)度用戶提交的海量任務(wù)且保證云系統(tǒng)的負載均衡成為云計算研究的重點。探究在云計算環(huán)境中的優(yōu)秀調(diào)度算法已成為專家學者們研究的重點內(nèi)容之一。因此，具有簡單、通用、魯棒性強、適于并行處理等優(yōu)點的智能算法很快成了云計算任務(wù)調(diào)度領(lǐng)域的研究熱點，例如通過模擬自然界進化過程，從而得到最優(yōu)解決方案的遺傳算法（GA）、粒子群算法（PSO）以及蟻群算法（ACO）等等，以求解最小化任務(wù)完成時間和代價的最優(yōu)解，但忽略了在進行任務(wù)調(diào)度時，智能優(yōu)化算法本身缺點對調(diào)度工作的影響?；诖耍疚膶⑻岢鲆环N混合優(yōu)化算法，算法的目標除了確保任務(wù)完成時間最小化，還將改善任務(wù)調(diào)度算法存在的缺點。