任务分配问题,一般是NP完全问题。存在许多任务调度问题的具体实例的启发式算法,但多数情况下效率都不高。本文主要探索了几种智能优化算法及其改进策略在任务调度中的应用,主要包括均场退火算法、微正则均场退火算法、模糊动态遗传算法等。首先将均场退火算法(MFA)应用到网格任务调度中,构造了满足各种约束条件的能量函数和状态更新函数等,并进行了仿真实验,验证了均场退火算法的有效性。接着本文对微正则退火算法作了改进,并将其应用到任务调度中。首先提出了分段的能量奖励策略和混合能量补偿策略。其次,在基本微正则退火算法的基础上,提出了微正则均场退火算法(MMFA),采用均场退火算法的能量函数形式和新状态产生方法,保证新状态都是向能量降低的方向转移,从而加快搜索速度,提高算法性能。最后针对网格任务调度的动态特性,提出并实现了一种改进的遗传算法—模糊动态遗传算法FDGA,重新对遗传算法编码机制、适应度函数确定、选择算子、交叉算子、变异算子等进行了设计,在编码阶段考虑了网格的动态性,适应度函数采用基于模糊数学的模糊评价机制,综合考虑到总的完成时间、主机的空闲时间和任务的deadline要求等性能指标,根据网格系统各服务节点的计算能力、负载等状态进行动态调度,从而向用户提供较优性能。同时,在OPNET环境中构建了一个可扩展的局部网格仿真平台,对所提出的算法进行了仿真实验,结果表明模糊动态遗传算法具有很好的优化能力,提供了较好的服务质量。