云计算作为一种新型计算模式,具有方便快捷、按需网络访问的优势,也大大满足了数字经济时代企业和个人日益增长的数据计算需求。任务调度是云计算环境中的一个重要技术,是将用户提交的任务分配到虚拟机资源上的过程。任务调度的结果不仅会直接影响用户使用云计算服务的满意度,还影响着云计算服务商的利益问题。鉴于云计算任务调度问题的NP属性,主流的任务调度方法一般应用启发式智能算法进行求解。由于启发式智能算法数学基础较为薄弱,在求解该问题的过程中,往往容易表现出:算法早熟、后期收敛速度变慢、解精度降低等问题。如何获得一个合理高效的任务调度方案值得研究。本文以应用启发式智能算法求解任务调度问题,提升算法的性能为研究切入点,主要研究工作如下:（1）设计了单目标云计算任务调度双种群TLBO算法。算法具有两个种群并分别以独立机制进行演化,种群之间实施生态学意义的竞争。将“教”算子改造成非线性自适应行为,将“学”算子与头脑风暴思想结合,以提升算法的寻优精度与速度。同时使最优个体具有倒位变异的行为,赋予算法跳出局部最优约束的能力。以任务完成时间为优化目标,应用该算法对任务调度问题求解。实验结果表明该算法具有较快的收敛速度和较好的解精度,得到了任务完成时间较短的任务调度方案,值得信赖。（2）设计了多目标云计算任务调度混合HHO-TLBO算法。该算法将教与学优化算法与哈里斯鹰优化算法的思想进行融合,使种群内的个体具有向最优个体与种群均值学习的行为。并依据概率通过t分布混合变异得到新个体以摆脱局部最优的束缚。同时在全阶段以多精英加权机制替代标准算法中的猎物。将该算法应用于云任务调度问题中,以任务完成时间、任务完成成本及虚拟机负载均衡综合设计适应度函数。最终的实验结果表明该算法不仅降低了云任务完成时间,使得虚拟机的工作负荷更为平衡,同时也拥有适中的成本消耗。