网格计算是近年来的研究热点之一。它可将高速互联网、电脑、大型资料库、传感器、远端设备等融为一体,实现它们的全面共享与协同工作。网格任务调度是网格计算研究的核心内容之一,如何合理地将任务分配给不同资源,使整个网格系统达到最佳的性能,这是任务调度需要解决的问题。由于网格自身的分布性、异构性、动态性和自治性,使得传统的调度算法面临新的挑战。因此,如何在现有调度算法的基础上改进优化,尽可能提高网格系统的吞吐量,是一个重要而现实的问题。遗传算法GA(Genetic Algorithm)和模拟退火算法SA(Simulated Annealing)是目前解决网格任务调度比较有效的算法。两种算法都是模拟自然界的某些现象进行大规模优化问题求解的随机性方法,都不要求目标函数的连续性、可微性和凸性。GA有较强的全局搜索性能,但它的爬山能力弱,在实际应用中容易产生早熟收敛的问题,在进化后期搜索效率较低。而SA却具有摆脱局部最优解的能力,能抑制遗传算法的早熟现象,但它的进化速度慢。针对GA早熟收敛和SA进化速度慢的问题,本文结合两算法的各自特点进行改进并设计了一种遗传模拟退火算法GSAA(Genetic Simulated Annealing Algorithm)。GSAA基本思想是首先充分利用GA的群体性、全局收敛性、随机性、快速搜索等优势生成初始解,即通过GA的遗传操作产生初始解;随后采用SA,对生成的初始解,利用SA的Metropolis准则跳变特性决定是否接受由交叉和变异操作产生的新个体,使得在接受优质解的同时,也有限度的接受劣质解,保证了种群的多样性;采用了自适应交叉和变异概率;适当地改进了遗传操作。通过GSAA来求取网格任务调度的最优解。本文深入研究了GA和SA的基本原理,根据网格任务调度的特点,本文在GA和SA基础上改进并设计了GSAA的各个组成部分。在Gridsim网格模拟器中,对GSAA进行了仿真实现,并与GA和SA进行了对比,结果表明本文提出的GSAA具有更好的搜索能力和收敛速度。