云计算作为一种新的商业计算模式,利润最大化是云服务提供商的主要目的之一,而能耗作为云计算数据中心的主要开销,在客户的不同服务需求下,尽可能降低能耗,既有利于提高服务提供商的利润又可以减少云计算数据中心对环境的污染。因此,云计算环境下的能耗管理研究将是一个非常有意义的课题。动态电压调节作为一种有效的节能技术,目前已有一些研究将动态电压调节技术与任务调度相结合进行系统能效优化,但应用于面对客户不同需求下的能耗管理研究尚少。本文将在已有的分布式系统任务调度问题模型的基础上,建立融合云计算系统异构环境、按需服务等特征及电压可调节因素的任务调度模型。云计算环境下的任务调度问题是一个NP难的组合优化问题。基于进化优化的随机搜索算法在求解分布式系统下DAG(directed acyclic graph,DAG)任务调度问题时取得了比传统启发式算法更好的解。但由于优化问题域的多样性和复杂性,使该类算法普适性差,计算开销太大,无法满足计算的实时性需求。在传统群智能算法采用设计复杂仿生搜索策略来求解DAG调度问题,但没有达到预定效果的背景下。本文试图从一个新的角度去探讨该问题,即采用设计基于领域知识的精简搜索策略集,并引进超启发式算法对该策略集进行高效管理来提高算法的收敛速度和普适性。为了进一步提高超启发式算法的性能,受量子计算理论启发,提出了量子超启发式算法(Quantum-Inspired Hyper-heuristic Algorithm,QHA)。在该算法中,将启发式策略的表现与量子的状态相关联,并采用个体学习和集体学习的方法对量子的状态进行更新,在较为准确地追踪启发式策略表现的同时,同样可以保持选择的多样性,此外还设计了一种快速个体评估方法来减少算法的计算开销。模拟实验表明,本文提出的方法能实现在不同客户需求下的能耗管理,且较其他几种经典随机搜索算法、超启发式算法具有着计算开销少、收敛性能和普适性能好等优越性。