随着集群规模的逐渐扩大和性能的日益提高,作为集群关键技术的集群调度技术也成为研究的重点和难点。传统的调度算法难以解决作业需求与集群节点资源性能不匹配的问题,而且容易造成集群各节点之间负载不均衡,极大地限制了集群系统的性能。而通过模拟自然生态的智能调度算法却备受关注,尤其是遗传算法和蚁群算法。在蚁群算法中,信息素的更新非常重要,它由两部分组成,一部分是路径上原有信息素的残留,另一部分是蚂蚁经过该路径后释放的信息素。论文针对这两部分进行改进,提出了IACO算法,通过引入性能匹配因子来改进蚂蚁经过该路径释放的信息素,从而解决作业需求与集群节点资源性能不匹配的问题;通过引入负载均衡因子来改进原有路径上的残留信息素,从而解决集群各节点之间负载不均衡的问题。实验结果证明,IACO算法的执行时间降低,CPU利用率有所提高,各节点之间负载也更加均衡,但执行时间和CPU利用率并不是特别理想。主要原因是蚁群算法前期信息素匮乏,导致收敛速度缓慢。在对解的大范围搜索时,遗传算法具有快速的全局搜索能力,因此论文提出了混合蚁群算法GA-IACO,把改进后的蚁群算法和遗传算法融合起来解决集群调度问题。前期采用遗传算法,充分利用遗传算法的群体性、快速搜索等优势生成初始解,并将信息素留在较优的路径上,后期采用改进后的蚁群算法,充分利用蚁群算法的正反馈性,高效性求取资源分配的最优解。实验结果证明,该混合蚁群算法GA-IACO的执行效率有了明显的提高,取得了比较满意的效果。为了更好地对改进算法进行测试,设计了IACO-SS调度软件,并将其安装到集群中。实验证明,改进算法降低了集群作业调度执行时间,提高了CPU利用率,使得各集群节点负载更加均衡。