云计算作为一种新兴的商业计算模式得到了许多大型IT企业和研究机构的广泛关注,并在众多应用行业的研究和推动下得以迅猛发展。云计算采用虚拟化技术将规模庞大且异构的硬件基础设备转换成可统一管理的虚拟资源池,用户可方便地获取其中各类灵活使用的虚拟资源,而无需关心它们的具体分布位置及底层配置情况。由于云计算系统的用户数量和任务数量非常巨大,几乎时刻都在处理着海量的数据,所以如何合理地分配虚拟资源,在兼顾时间和计成本的同时达到系统负载均衡,满足不同用户任务的服务质量需求是云计算任务调度算法研究的关键。论文对标准蚁群算法进行了分析,针对其收敛慢、全局搜索较差、容易陷入“停滞”状态等不足,通过引入混沌理论对蚁群搜索过程进行优化,进而提出一种改进蚁群任务调度算法。该算法采用混沌序列增加了转移概率的随机性,对较优路径和其它路径上的信息素挥发因子进行不同程度的调整,并根据蚂蚁在搜索过程中的不同阶段定义了不同的信息素更新规则,尽可能地避免了搜索陷入“停滞”状态,同时也改善了资源的负载均衡状况。在充分考虑了不同用户任务的服务质量需求的情况下,结合了标准蚁群算法的优点,提出一种基于蚁群模型的多QoS约束任务调度算法。该算法分别对时间、成本、可靠性、可用性和安全性等五种目标约束条件进行统一建模分析,并通过设置不同的权值系数建立任务调度问题的适应度函数。在设计启发函数时,该算法综合考虑了资源节点的计算性能,使任务的计算成本和系统的负载均得到了改善。此外,它还引入了遗传交叉算子,针对局部和全局分别设计了不同的信息更新规则,较大程度上提升了算法的全局搜索能力。最后,在实验中使用CloudSim平台模拟云计算环境,测试了论文中提出的算法并分析了实验得出的结果。由实验一的测试结果可知,改进蚁群算法能有效地缩短任务的平均完成时间,降低任务执行的计算成本,同时使系统的负载更加均衡;分析实验二的结果得知,基于蚁群模型的多QoS约束任务调度算法在计算成本和负载均衡方面均表现出良好的性能,并具备良一定可扩展性,同时该算法为后续相关研究提供了很好的借鉴。