近年来,云计算技术已经取得了巨大的进步,伴随着虚拟化技术的兴起,使得各种计算资源通过网络传输并以云服务的形式交付给用户。而云计算工作流集群资源管理中有关资源利用率和管理成本带来的问题越来越严峻,整体面向用户服务质量的科学工作流调度能力有待提升。容器化混合云与边缘计算的出现为流程优化和资源配置带来了更大的优化空间,也对决策模型和方法提出了更高的要求。当前大多数研究局限于单一的容器集群、单一的资源配置方式,或局限于任务与虚拟机的匹配关系,而现实问题中多种容器共享虚拟机带来的是更复杂、更大规模的面向用户业务流程层面端到端的优化问题。因此,本文主要基于容器化混合云调度策略解决多模式、大规模微服务工作流调度问题。本文针对容器化混合云的边-云多模式批处理微服务工作流调度问题,考虑到工作流中任务实例的顺序关系、云资源类型、容器的多模式配置,结合现实云计算中批处理工作流调度场景,在有限的云计算资源规定下,以最小化工作流完成时间为目标建立了数学模型;通过总结相关经典问题,提出了解决云计算中工作流调度问题的遗传算法;使用该算法针对不同类型的工作流集群进行了类比实验;为了体现本文研究的现实意义,对阿里云集群日志数据进行了跟踪并将相关数据集应用到实验场景中,验证了容器化混合云工作流调度相比于虚拟机调度策略的优势。因此,本文研究对于解决企业如何有效利用云计算资源的问题具有一定的参考价值。为了避免传统遗传算法的缺点,使之能够更高效地求解云计算背景下大规模工作流调度问题。本文基于传统工作流调度问题的遗传算法框架,在遗传操作时加入了本文提出的禁忌邻域搜索规则保证新种群的质量;使用基于克隆免疫算法的种群平衡策略保证初始解的多样性;结合上述改进规则提出了基于大规模批处理工作流调度问题的分阶段遗传算法。通过大量的实验验证,结果表明本文中的每一步改进算法都较原有普通遗传算法有了明显的改善。并且,本文中提出的算法不仅局限于解决云计算中工作流调度优化问题,对于与本文研究类似的调度场景复杂、工作流规模大、工作流重复率高的调度问题在算法设计方面也提供了一定的理论参考。