云环境下的工作流调度算法,为云计算平台提供了高效的调度方案。云计算工作流调度问题一直以来都被认为是一个NP-hard问题,许多学者对这个热点问题做了深入的研究。但目前解决云计算下工作流调度问题的工作在设计算法时,忽略了云计算平台的动态工作流环境,设计的算法不能对云平台的工作流进行持续的调度。或者在确定工作流调度方案时,忽略了在实际调度过程中云环境中的动态变化。本文针对云环境下工作流调度算法的上述缺陷,进行了如下工作:首先,本文基于关键路径法总结一系列启发式规则,将启发式规则编码为染色体上的基因,提出了基于启发式规则的遗传算法（Heuristic rules based Genetic Algorithm）,简称HGA。为了将HGA应用于多工作流调度问题,本文采用遗传算法与批处理相结合的方法,将云平台的工作流调度过程分为不同周期,在每个周期中,使用遗传算法为当前周期生成调度方案。通过这种方式,使得遗传算法可以对多工作流进行持续性调度。为了验证基于启发式规则的遗传算法的优良性,本文将HGA算法与基于位置关系编码的遗传算法和基于映射关系编码的遗传算法作对比,并同元启发式算法算法HEFT、Max-min和Min-min一起进行对比实验。结果证明,HGA寻找最优调度方案的能力在优于其他对比算法的同时,能减少集群的执行总消耗。其次,为了适应云平台的动态环境,本文改进了原有的启发式规则。为了使生成的调度方案在实际应用时能适应动态的工作流环境,本文设计了一系列调整规则使得已生成的调度方案在实际调度时能根据工作流的具体情况而进行调整,从而提高了调度方案在动态环境中的有效性。通过实验证明,基于改进启发式规则的遗传算法生成的调度方案相对于基于位置关系编码的遗传算法和基于映射关系编码的遗传算法生成的调度方案更具有鲁棒性。