云计算任务调度策略直接影响整个云平台资源使用效率和云平台用户满意度,同时云计算任务调度属于完全NP问题,因此任务调度算法一直是云计算领域的研究难点和热点。目前,云计算任务调度算法主要分为传统算法和智能启发式算法。传统算法更偏向于单指标优化。智能启发式算法,从云平台角度出发对任务完成时间、任务完成成本等进行优化;从用户角度出发,提高用户服务质量;但是这些算法没有综合考虑用户服务质量和云平台负载情况。蚁群算法在处理复杂问题方面有着良好效果,通过对蚁群算法和云计算任务调度模型进行深入研究,并针对用户QoS需求和云平台负载均衡两个方面的考虑,提出基于QoS约束的改进蚁群算法云计算任务调度策略。首先,构建任务完成时间模型和执行费用模型,通过完成时间模型和费用模型创建QoS综合效益函数,用不同的权重因子分别表示用户QoS需求对任务完成时间和费用的偏好程度,并定义云平台负载均衡模型。其次,改进蚁群算法,动态改变信息素强度,使不同阶段的信息素不同,从而使算法在探索和寻优之间达到动态平衡。使用蚁群系统路径选择公式,在路径选择中加入随机因素,有效避免蚁群算法陷入局部最优。改进期望启发函数,优先选择计算速度快和负载较低的虚拟机执行任务,既可以降低任务完成时间又能够保证系统的负载均衡。改进信息素更新方式,对信息素进行局部更新,保证路径信息素实时性;对信息素进行全局更新,加大最优路径和其它路径的信息素差值,从而提高算法的收敛速度。最后,通过对改进蚁群算法中的相关参数进行仿真实验,找到一个合理的参数设置范围。通过Cloud Sim平台进行仿真实验,从任务完成时间、任务完成费用、系统负载均度和用户满意度四个方面进行对比实验。实验结果表明,本文的调度策略提高了用户满意度,并且改善了云平台负载情况。