云计算带来了一种新的计算模式和服务模式,其本质是计算与存储资源不再由本地资源提供,而是由第三方服务运营商的数据中心来提供。它也是一种商业模式,用户可以按照实际使用资源的多少或者使用资源的时长进行付费。随着信息的爆炸式增长以及云计算的广泛应用,云用户数量以及云任务量的增长越来越快,人们对计算的需求越来越大,用户总是希望能够随时随地的使用计算资源,快速完成计算,这些因素使得云任务调度算法的研究面临着严峻的挑战。如何合理地分配和利用云环境提供的各种资源、如何通过有效调度用户提交的海量任务来节省任务的完成时间已成为云计算研究领域的热点问题。针对云环境下的任务调度问题,国内外研究者提出了许多智能优化算法。遗传算法、粒子群算法等都是常见的智能优化算法。本文对智能优化算法中的遗传算法、粒子群算法展开研究,并针对它们各自的特点提出了一系列的改进方案,使它们能够更好的应用于云任务调度场景,提高云任务调度效率。具体研究工作如下:（1）受生物体内“完全吞噬”与“不完全吞噬”作用对生物机体所产生的不同影响的启发,提出了一种基于吞噬双重判定的改进遗传算法任务调度策略（PGA）。实验结果表明所提出的PGA调度算法较GA调度算法平均任务调度提升率达到了5.05%。（2）受自然界共同进化机制产生互利现象的启发,在GA算法与PGA算法的基础上提出了多种群混合共同进化的遗传算法（MPHC＿GA）。实验结果表明所提出的MPHC＿GA调度算法较GA调度算法平均任务调度提升率达到了23.96%。（3）针对基本遗传算法利用随机函数初始化种群而无法保证初始样本解的质量的问题进行改进,提出了一种基于竞争交叉机制的遗传算法任务调度策略（C2PGA）。在设计的两组不同的实验中进行验证,结果表明所提C2PGA调度算法较GA调度算法平均任务调度提升率分别达到了35.15%和16.3%。（4）针对标准的粒子群优化算法无法直接应用到云计算任务调度的问题,提出了一种粒子群遗传融合算法（PSO＿PGA）。在设计的四组不同的实验中进行验证,结果表明所提PSO＿PGA调度算法较传统PSO算法平均任务调度提升率分别达到了19.75%、31.73%、17.44%和21.28%。