任务调度是网格研究中所必须解决的一个关键问题,也是网格应用的基础。为了充分利用网格的大规模计算能力,提高计算效率,研究网格环境下的的任务调度问题对于网格的应用显得意义重大。任务调度问题是一类NP-hard问题,传统的一些经典的任务调度方法一般只能获得该问题的近似最优解。因此国内外很多学者尝试应用启发式算法求解任务调度问题,并且很多都取得了良好的效果,但是这些算法多数考虑的是单任务调度或者是独立多任务调度,而且其中的不少算法往往忽略了任务与任务之间的数据通信关系以及任务与任务之间的优先序关系。而不少考虑到任务间优先顺序关系的任务调度算法却往往忽略了网格环境下,网格节点之间的异构性,因此以上这几种情况都不能反映出网格的真实环境以及任务与任务之间的真实关系,与现实情况有些不符。本文在分析网格环境下任务调度问题具体特征的基础上,运用遗传算法在解决组合优化问题时表现出的优越性,对任务调度问题进行了具体研究。本文首先阐述了与网格任务调度相关的理论知识,然后讨论分析了如何应用传统遗传算法来求解任务调度问题,描述了该算法所采用的调度策略以及该算法的特点,并在分析该算法优缺点的基础上提出了一种新的改进遗传算法,主要的改进有：(1)提出了新的适应度函数。传统遗传算法直接以任务完成时间做为适应度函数,搜索速度较慢,全局收敛性较差,本文研究了网格环境下任务调度问题的具体特征,在此基础上提出了新的适应度函数。(2)提出了新的交叉算子。对任务序列或处理器序列分别执行不同的交叉策略,在一定程度上提高了交叉操作的效率。(3)提出了新的变异算子。传统遗传算法所采用的变异算子使得在进化的后期容易产生搜索的盲目性,不容易快速收敛到全局最优解,针对这个特点,在变异操作时,对任务序列或处理器序列分别执行不同变异策略。最后,我们分别实现了传统遗传算法和改进遗传算法,对改进部分进行实验对比,实验结果表明,应用改进遗传算法解决网格任务调度问题时,能够有效地缩短任务的调度时间,能够提高调度效率。