工作流调度问题一直是工作流领域中的难点和研究热点。一个高效的工作流调度算法,能很大程度上提高和改善应用的服务质量。工作流调度算法的作用是将多种计算资源合理地分配给不同的工作流任务,从而满足客户的服务质量需求。随着互联网的迅速发展,人们对工作流调度算法的效率有着越来越高的要求。在这种背景下,工作流人力资源调度问题被越来越多的研究者所关注。与其他资源调度问题不同的是,人力资源调度具有更多的不可控性。一方面,每个执行者都是独立的个体,其个体属性都不一样;另一方面,随着外部环境的不同,其表现出的特性也随之变化。一般的,影响人力资源调度的主要因素包括执行者间的协作度以及执行者的能力和负载。本文首先重点关注协作度影响下的调度模型,并制定了协作度最大的的目标函数。为了精准衡量执行者间的协作度,本文提出了一种通过分析流程的历史日志中的信息,进而判定协作者组合优劣的方法,并从数学的角度证明了其有效性。然后提出一种基于最大协作度的任务分配算法,通过减少执行者间交互的时间达到减少整个流程执行时间的目的。针对上述影响人力资源调度的两个因素,构建了一个多目标任务分配模型,之后提出了一种基于蚁群算法的工作流任务分配方法。该算法衡量了实际分配时两个影响因素所占权重,可以为任务分配更加合适的执行者。提高了流程实例的执行效率。最后,本文选取了两组数据集进行验证实验。实验结果表明,对比其他3种算法,本文提出的算法一方面可以保证总的协作度尽可能大,另一方面可以保证总的任务负载尽可能小,分配效率较高。本文研究的任务分配算法也可以适用于同类问题中,具有一定的普适性。