随着云计算技术的迅速发展以及科学工作流应用在云计算中的广泛使用,云计算环境下的科学工作流调度问题引起了普遍关注,如何满足完成时间、能耗、费用等约束是科学工作流调度研究中的热点问题。当前对于多科学工作流的调度算法研究,部分算法安全性不完善,从而缺乏安全性以及完整性。同时基于粒子群算法(particle swarm optimization,简称PSO)的多目标科学工作流调度存在收敛后期易于陷入局部最优解的缺陷,其性能仍有待提高。针对上述两个问题,本文分别提出考虑多科学工作流安全性约束的调度算法以及基于免疫粒子群的多目标科学工作流调度算法。本文的创新点和主要工作体现在如下方面:1.针对现有云环境下多科学工作流调度算法中部分算法存在安全性不完善的问题,提出了多科学工作流安全-时间约束费用优化算法(multi-scientific workflows security-deadline constraint cost optimization algorithm,简称 MSW-SDCOA)。首先,MSW-SDCOA基于数据依赖关系压缩科学工作流,减少任务节点数从而节省了调度开销;并通过改进HEFT(heterogeneous earliest-finish-time)算法形成调度序列,以实现全局多目标优化调度;最后,通过优化蚁群算法(ant colony optimization,简称ACO)中信息素更新策略和启发式信息,使蚁群的进化更有目标性,从而进一步改善费用优化效果。2.针对基于粒子群算法的多目标科学工作流调度在收敛后期易于陷入局部最优调度解的不足,本文提出了基于免疫粒子群的科学工作流多目标调度算法(multi-objective scheduling algorithm for scientific workflow based on immune particle swarm optimization,简称 IPSO-SWS)。通过引入免疫算法(immune algorithm,简称IA)与粒子群算法相结合,利用免疫算法的浓度自主调节机制保证了粒子(抗体)的多样化来维持解群体的多样化,并设定抗体记忆库使粒子(抗体)向着正确的方向进化,从而快速发现全局最优调度解。3.本文通过使用CloudSim仿真平台模拟了科学工作流的调度,实现了MSW-SDCOA算法和IPSO-SWS算法。通过多组实验分析,从完成时间,费用和云资源利用率验证了本文算法的有效性。经过对比实验后发现MSW-SDCOA算法在费用优化效果上比MW-DBS算法提高了约14%。本文的IPSO-SWS算法与CDCGA算法相比在运行时间方面降低了 8.4%,在费用优化方面提高了 8%。综上所述,本文针对目前科学工作流调度算法中亟需解决的两个问题进行了研究,并提出对应的解决算法。本文的研究既保证了用户的安全性和时间约束又降低了云环境下科学工作流任务执行费用,从而降低了云计算的能耗,推动我国节能减排发展。因此本文研究内容不仅在理论创新而且在实际应用中都有重要的意义。