任务调度问题是云计算领域所研究的一个热点问题,该问题的实质就是如何将广大用户提交的任务合理的分配到云数据中心的各个资源上执行,以实现系统资源的高效利用和均衡分配。粒子群优化算法因为在解决任务调度、组合优化等问题时具有很明显的优势,故而成为我们研究云计算中的任务调度问题的首选算法。但是粒子群算法所求得的解对初始种群的质量很敏感,并且粒子群优化算法很容易因为收敛速度过快而只得到局部的最优解。因此本文提出了一种融入反向学习和试探感知的PSO改进算法(OBL-TP-PSO)。该算法运用反向学习的方法产生初始种群,提高了初始种群的质量。同时,利用试探感知的搜索策略搜索问题的解空间,不仅改善了粒子的局部搜索能力,而且也提高了粒子的全局搜索能力,使得算法更容易的获得全局的最优解。最后,在Cloudsim平台上对Min-Min算法、Max-Min算法、PSO算法以及OBL-TP-PSO算法进行了云环境下任务调度的仿真实验。结果表明:OBL-TP-PSO算法的收敛速度比PSO算法的收敛速度更快;OBL-TP-PSO算法所求的解对应的任务总的执行时间比Min-Min算法、Max-Min算法以及PSO算法求得的解对应的任务总的执行时间都要小;在系统负载均衡方面,OBL-TP-PSO算法的也有较好的表现。由此可知,改进后的PSO算法能够获得更好的任务调度方案,有效的提升了云环境下任务调度算法整体效率。