云计算是在虚拟化、分布式计算、效用计算以及网格计算等领域数十年不懈努力的基础上继承与发展而来的。目前,全球云计算产业虽处于起步阶段,但发展迅速,行业前景广阔。云计算环境下的工作流,即“云工作流”,是指将工作流的相关技术应用到云计算领域中,以提高云计算的服务质量和实现云计算资源的合理分配。云工作流调度则是指在满足工作流时序约束、系统性能以及客户需要的前提下,以一种优化的方将工作流中的任务映射/分配到合适的云计算资源上。云工作流调度的效率是衡量云工作流系统性能的一个重要指标,有效合理的云工作流调度不仅能提高云工作流系统的整体性能,还能促进云工作流系统中其它组成部分性能的提高。随着云计算的不断发展和应用领域的拓展,云工作流调度已成为一个重要的研究课题。对于云工作流调度优化问题,本文介绍了云工作流的相关概念,建立了面向调度优化的云工作流模型以及云工作流环境下各类时间的计算方法。云工作流调度是一个NP难问题,相关文献表明遗传算法更适合于解决此类问题。但当前的一些遗传算法存在着一定的局限性,要么搜索空间是不完备的,要么搜索的效率太低。针对云工作流调度优化问题的特点以及当前遗传算法的一些局限性,本文提出了RKLGA,该算法是一种基于随机键的实数编码,任何一个调度方案都有对应的编码方案,保证了搜索空间的完备性。在种群初始化、遗传操作和解码操作都加入了分层的技术,提高了搜索的效率和种群的多样性。对种群中的最优个体,采用了一种虚拟机负载均衡改进策略,增强了染色体的领域寻优能力。为了验证所提出的RKLGA的有效性,以四种典型的云工作流案例为比较对象,基于C++程序来实现算法,选取了三种典型的算法作对比实验。实验结果表明,与其它算法相比,RKLGA不仅搜索的效率高,还能快速找到最优解,能广泛的应用于各种工作流。