随着计算的多元化发展,很多不同种类的计算单元开始进入到当代计算机发展史,异构计算也就随之产生。目前异构计算系统已经延伸至CPU、DSP、GPU、ASIC、FPGA等各种计算单元。它将不同类型指令集的计算单元组合成不同体系架构,让各种核心有效地协同合作,应对多种计算场景。由于GPU有很高的性价比和能效比,使得GPU-CPU异构架构成为高性能计算集群中最常用的异构计算体系结构。在异构计算系统中使用CPU和GPU共同参与计算任务,发挥两者的计算能力能够大大加快计算速度,提升系统性能,这也是未来计算机行业发展的必然趋势。异构计算在为大数据、云计算等现代技术提供了坚实的数据计算基础的同时,也面临着诸多挑战。不同类型的处理器在计算过程中存在的负载不均和在多任务执行过程中不能匹配到合适的处理器核心等现象都制约着异构计算系统性能的发挥。高效的任务调度策略是解决以上问题、提升系统性能的根本办法,因此任务调度问题也成为国内外并行计算领域的研究热点之一。针对以上问题,本文设计了一种面向高性能的CPU-GPU异构计算平台任务调度策略。对于单任务模型,以负载均衡思想为理论指导,提出了一种基于负载感知的任务调度策略。该方案分为两个步骤完成:第一步,通过小比例的任务数据探测感知CPU和GPU在处理指定任务时的计算能力;第二步,按照确定的计算能力比值,直接将计算任务按照比例分配给CPU和GPU。该策略在进行任务分配时,将并行任务存入双向队列,以降低动态调度带来的额外开销。对于复杂的多任务模型,提出了一种基于遗传算法的任务调度策略。该方案以提升系统的整体运行效率为目标,准确绑定了子任务与异构处理器核心间的执行关系,使用改进的遗传算法降低求解任务调度方案所造成的额外开销。针对遗传算法中存在的易早熟收敛、陷入局部最优解等问题,提出了在算法中使用自适应变异策略和注入策略加以缓解。自适应变异策略保护种群中优良个体的同时还能增加低劣个体变异的概率;注入策略增加了种群在迭代后期基因种类的多样性,能够使算法更快的跳出局部最优解。本文对提出的调度策略进行了评估,针对两种不同的任务模型,选取了具有代表性的程序在CPU-GPU异构环境中进行测试。实验结果显示,基于负载感知的任务调度策略能够显著提升系统在处理CPU与GPU具有同数量级执行时间的任务时的性能,有效平衡CPU和GPU负载、降低因任务调度带来的开销。在基于遗传算法的任务调度策略中,改进的遗传算法所得到的调度策略对系统性能的提升明显高于传统遗传算法和粒子群算法,同时拥有更快的收敛速度和更好的跳出局部最优解的能力。总体而言,本文所提出的任务调度策略能够充分利用CPU和GPU的计算能力,提高并行计算的效率,缩短任务执行时间,提升系统性能。