近年来,科学工作流在很多的科学研究领域中得到了广泛的使用。科学工作流的任务往往具有数据量大、执行时间长、计算过程复杂等性质,同时,任务的执行可能存在数据并行、任务并行以及管道并行等多种并行模式,使得工作流的执行过程变得更为复杂。使用单一的物理的计算环境执行科学工作流,已变得不可取。云计算环境理论上可以供给无穷无尽的存储和计算,使用户能够动态和弹性地获取计算资源,使得它成为了科学工作流执行的理想选择。因此,提高云环境下混合并行科学工作流的执行效率,降低其执行成本,生成合理的混合并行科学的工作流执行计划尤为重要。针对上述问题,本文以提高其执行效率,降低执行费用为目标,研究混合并行科学工作流的执行计划生成方法。为使得云环境下科学工作流的执行变得高效,提出了一种执行计划的生成方法。引入猴群算法,依靠对当前执行计划的层内和层间优化,在保障工作流全局截止时间约束的前提下,通过同层任务的逻辑聚合和任务的层间调整,尽可能减少各层任务数的差异,以避免资源的闲置浪费,降低任务的等待时间。针对混合并行科学工作流执行计划生成,引入拓扑排序对混合并行科学工作流分层,得到三种分层可能。对于每一层,以同层任务的执行时间大致相同为目标,将任务逻辑聚合问题描述成集合划分问题,使用差分演化算法进行任务逻辑聚合。另外,将可以分片的任务按照每个子集的执行时间之和进行均等分片,可在混合并行工作流全局截止时间约束的前提下,减少任务执行的等待时间。仿真实验表明,文中所提方法能够完成工作流的执行计划生成,减少资源消耗,减少总延迟时间,很大程度上利用了资源的闲置时间,降低了执行的成本。