云计算经过多年的研究和发展已经成为了信息技术领域不可或缺的一部分,通过资源动态管理实现资源整合与共享,按需分配资源为用户提供服务。随着计算机技术和通讯技术的高速发展,虚拟化技术也在人类的生产生活方面带来了巨大的影响,越来越多的企业特别是中小企业都将应用部署在云上,这样不仅节约占用的实际空间,也可以提供方便的计算和存储服务。然而,由于云环境中的随机性,运行方式和用户需求的不可预测性,给任务调度带来了很大的挑战。因此,本文充分考虑了整个云任务调度过程中对调度产生影响的因素,构建了高维多目标优化云任务调度模型,并且设计高维多目标优化调度算法对提出的模型进行求解,具体工作为:（1）针对目前研究都关注调度过程中的时间和成本,进行单目标或者两个目标的调度不能得到较好的任务分配结果。本文考虑任务的完成时间、任务执行成本、虚拟机负载、用户满意度,提出了高维多目标云任务调度模型,并且利用多种经典的高维多目标优化调度算法在仿真实验平台对这些独立任务进行全局优化。除此之外,本文设计实验分析了任务数量和算法迭代次数对算法性能产生的影响。（2）为了解决云上的计算资源故障可能导致任务不能及时交付的问题,本论文基于容错策略和云服务系统的约束构建了考虑任务完成时间、任务执行成本、虚拟机负载、用户满意度和能耗的云任务绿色容错调度模型。该模型考虑了基于任务复制的主副版本容错技术,将每一个任务都有一个副版本任务,然后将这两个任务分配到不同的主机上。通过实验用经典的高维多目标优化算法对这五个目标构成的模型进行求解。（3）由于传统的高维多目标算法在算法前期对解的收敛压力较大,这使得解的多样性较低,导致在求解云任务调度这种实际问题中丢失了部分优秀的个体。为了能更好的求解任务调度问题,本文首先分析了不同概率分布对算法收敛性和多样性的影响,并且利用Wilcoxon检验和Friedman检验对不同的概率分布进行了分析,实验证明正态分布优于其他分布,并且对正态分布的参数也做了非参数检验。然后本文提出了一种基于正态分布的角度惩罚距离的高维多目标算法（RVEA-NDAPD）,该算法在环境选择中施加以正态分布概率的收敛压力,这样保证有一定概率考虑多样性,将该算法与其他先进的高维多目标优化算法分别在DTLZ测试集上进行对比,实验结果表明所提出的算法有较好的性能。然后将该算法用于求解第二、三章所提出的模型,仿真结果表明,RVEANDAPD比其他调度算法更适合云任务调度问题,得到较好的任务分配策略。