对云计算任务调度进行了研究，针对用户满意度和云提供商利益需求，提出一种融合粒子群和遗传算法的PSOGA改进算法。首先根据云环境特点对虚拟机资源进行分类，同时引入任务‐资源满意度距离、资源综合性能概念；然后对粒子群初始粒子操作进行优化，来提高粒子质量；最后为克服粒子易陷入局部最优解问题，加入遗传算法（GA）的交叉、变异操作，扩展粒子的搜索空间。仿真结果表明，该调度策略提高了用户满意度的同时减少了任务的完成时间，是云平台下一种有效的任务调度策略。

针对云计算的资源调度问题,提出一种基于改进粒子群优化算法(Improved Particle Swarm Optimization,IPSO)的资源调度算法.对云资源调度问题进行分析,建立云资源调度的目标函数,利用PSO较快的收敛速度找到云资源调度问题的最优解,并根据每个粒子的适应度值自适应地改变每个粒子的速度权重,提高了全局寻优能力和收敛能力,同时在Cloud Sim平台对算法进行仿真实验.结果表明:IPSO算法减少了任务的平均完成时间,提高了任务处理的效率,具有很好的优化资源以及合理调度资源

针对目前云计算服务中用户体验的要求不断提高，工作流业务繁多且复杂的现状，本文为了改善工作流中各子任务执行效率不平均以及计算资源利用率低的问题，通过云工作流仿真环境，结合群体智能优化算法理论，根据科学工作流模型，创建任务集合，提出一种改进粒子群优化算法（PSO）用以优化工作流中任务调度策略，并进行仿真。仿真结果表明，本文提出的改进粒子群优化算法，与模拟退火粒子群优化算法（SA-PSO）对比，特别在面对云工作流节点多而复杂的情况时，执行成本可以减少20%，调度效果更好。