在云上执行复杂的科学工作流应用程序通常会涉及大量的虚拟机(VM),这使得成本和能耗成为人们关注的焦点。为了缓解该问题,一些云服务提供商(例如CloudSigma和ElasticHosts)引入了新的定价策略,根据分配的CPU频率以及虚拟机配置和价格的各种组合对用户收费。然而,可定制的CPU频率使资源分配和调度变得更加困难,难以实现成本最优的调度方案。较高的CPU频率会带来高能耗并增强可靠性,而为了降低能耗,降低CPU频率会产生软错误问题,从而导致工作流应用程序在规定时间内完成的失败率很高。因此,非常需要一种频率调节方法来获得成本优化的工作流调度解决方案。为了解决上述挑战,本研究提出了一种基于遗传算法的新方法。该方法采用新引入的遗传算子(即交叉和变异),在能耗、可靠性、最大完工时间和内存约束下,将任务分配到具有特定工作频率的虚拟机中,为云工作流快速找到成本最优的资源供应和任务调度解决方案。本论文主要有以下三点贡献:1.在考虑带回滚恢复的检查点开销的情况下,将最大完工时间、能耗、内存和可靠性约束下的云工作流任务调度的成本优化问题形式化。2.基于遗传算法,我们引入了一种新的遗传算子,即染色体修正算子,用于满足内存约束,即任务运行所需的内存不超过它所分配到的虚拟机的内存。3.我们提出了一种有效的方法,使用一套新的技术通过将任务分配到合适的虚拟机上,为工作流应用程序快速找到近似成本最优的资源供应和任务调度解决方案。此外,我们引入了一种频率调节方案,以获取具有更高可靠性的成本最优解决方案。我们在各种著名的科学工作流基准上进行了大量的实验,验证了该方法的有效性。与最先进的方法相比,我们的方法不仅可以降低总体成本,而且可以在不违反这些约束的情况下实现节能。