云计算是基于网格计算、分布式计算发展的新型商业计算模型,该模型通过与互联网结合的方式来实现。云计算的核心关键是虚拟化技术,其方法是利用该技术对物理资源的各种硬件进行虚拟化,产生虚拟资源池,然后动态部署虚拟机,为用户提供这些资源,包含计算、网络、存储等资源。随着云计算的数据存储处理规模不断扩大以及外在用户使用数量的日益增加,如何在提高云环境中资源的使用效率,对用户提交的任务进行高效的调度的前提下,减少用户的等待时间,并且能够较好的满足用户的服务质量(Qo S),是目前云计算技术研究中的重要课题。因此,任务调度策略不仅是一项巨大的挑战,也是对云计算持续发展有着重大的意义。基于以上分析,本文在具体分析云计算的研究背景、研究意义,以及国内外研究现状的前提下,详细介绍了云环境下任务调度的技术背景和Hadoop云平台的任务调度算法,针对云计算任务调度策略开展了以下研究。具体分为以下三个方面:首先,本文分析了云计算背景以及云计算任务调度研究现状,系统的阐述了云计算概念、关键技术、Map Reduce V2(YARN)分布式编程框架等云计算技术。总结了已有的云任务调度算法。其次,遗传算法由于其具有并行性和全局搜索性的特征,针对云任务调度问题能够得到较好的处理结果。本文通过剖析传统遗传算法的优缺点,提出了双适应度综合乘积遗传算法(Dual Fitness Multiplied Genetic Algorithm,DFMGA),该算法综合考虑任务执行的平均时间,从而保证用户的综合满意度。最后,Hadoop作为开源的云平台,备受业界研究和应用。本文以Hadoop作为分析和验证平台,研究了Hadoop中任务调度的实现方法,分析了Hadoop常用的三种调度方法:FIFO、公平调度、容量调度。本文通过比较DFMGA和传统算法的性能,给出FIFO、传统遗传算法以及改进的遗传算法DFMGA在任务总完成时间、平均完成时间两个方面的表现,证明了改进的遗传算法DFMGA不仅具有更短的处理时间,而且具有更少的成本消耗。