互联网用户和应用的爆发式增长促进了云计算的发展,用户按需从云端获取资源成为了一种新的商业模式,同时用户任务的多样性和不确定性给云计算带来了新的挑战,高效的资源调度成为了云计算关键方向之一。云计算中的任务调度主要研究如何为用户的提交的任务分配合适的虚拟资源节点,一个优秀的调度算法不仅可以保证云计算运行环境的稳定性、健壮性,也可以缩短用户的响应时间,提高用户满意度。本文优化的目标是缩短任务完成时间,提出了两种云计算环境下的任务调度算法。蚁群算法和粒子群算法是两种生物智能调度算法,蚁群算法模拟蚂蚁群体觅食过程的信息传递机制,粒子群算法的核心思想源于对鸟群寻找食物的模拟。两者算法在任务调度方面均有较好的表现。论文的研究工作主要包括以下三个方面:(1)对云平台的任务调度进行研究,分析任务调度在云环境下的层次分类,以及云环境下任务调度的特点和要求。建立云平台任务调度数学模型,将任务调度建模为离散情况下任务到资源节点的映射问题,将粒子群离散化应用到云平台任务调度中。(2)对粒子群算法的核心思想进行剖析,充分挖掘了粒子群算法的特性:收敛快,计算简单,但是容易陷入局部最优解。在介绍了粒子群算法基于惯性权重优化的基本方法后,本文提出了一种基于正弦策略的惯性权重优化方案,通过分析云计算任务调度的特点后,将粒子群算法离散化进行任务调度,仿真结果表明:改进的离散粒子群调度算法IDPSO优于标准离散粒子群算法,缩短了任务调度的时间。(3)综合粒子群算法的快收敛和低计算量特性和蚁群算法后期优秀的全局寻优能力,本文提出了新的调度算法PSO-ACO。PSO-ACO结合了粒子群算法和蚁群算法的优点,算法前期收敛快,后期利用蚁群算法的正反馈机制增强了全局寻优能力。通过仿真对比发现:融合算法比使用单一的算法调度任务的完工时间更短。