在新兴的云计算环境中，用户可以通过云计算客户端以租用形式使用软件、基础设施、网络等资源。用户一方面可以将数据存储在云中，另一方面可以向云中提交任务获得计算服务。当用户向云中提交服务请求后，云计算调度中心按照用户服务需求将合适的资源配置分配给用户，并将请求的服务划分成不同的任务，分布在不同的计算资源上执行。然而，日益复杂的商业化云计算已使得云环境的任务调度成为一个富有挑战性的问题。本文提出的方案则是以满足不同用户的服务要求和实现云服务提供商的利益最大化为目标，将提交的任务分配给配置好的计算资源去执行。　　 本文针对云计算任务调度问题具有NP特性，考虑将遗传算法应用于解决这一任务调度问题，并结合云计算环境的特点，提出了一种基于遗传算法和动态调整的任务调度策略。该策略将云计算任务调度问题转化为可以被遗传算法解决的数学问题，利用该算法得到每个计算资源的初始任务分配方案。在云服务运行期间，该策略利用动态调整方法来提高云资源使用率。动态调整方法根据计算资源上的任务执行情况对处于空闲状态的计算资源进行任务迁移条件计算，将其他计算资源上符合迁移条件的任务迁移到该空闲状态的计算资源上。　　 从用户的角度，用户希望任务调度策略能针对不同服务类型满足不同的服务质量要求；从云服务提供商角度，云服务提供商希望任务调度方案能够有效进行成本控制以实现利益最大化。因此，本文又在前述方法的基础上提出了一种基于QoS和成本控制的任务调度策略。该方法会根据用户任务类型的不同并按照一定的规则进行任务优先级标注，引入QoS和成本控制模型来重新选取遗传算法的适应度函数。在用户使用云计算服务期间，该方法通过修改后的遗传算法得到每个计算资源的初始任务分配方案，并采用动态调整方法有效改善云资源利用率。　　 本文使用云计算仿真平台CloudSim构建云计算仿真环境来评估任务调度方法的有效性。实验结果显示将遗传算法应用于解决任务调度问题，可以有效改善任务执行完成的时间，动态调整策略也可以进一步提高云计算资源使用率。当将成本控制在可以接受的范围内时，基于QoS和成本控制任务调度策略可以在一定程度上使得任务运行时间、成本、云资源使用率三者都能有效改善。