云计算的发展和普及,使越来越多的用户感受到了云服务的便利。如何高效调度云任务已成为云提供商为用户提供服务时需要面对的一大问题。任务调度算法是云计算的关键技术,论文针对已有任务调度方法中准确预测任务执行时间难度大、无法同时满足任务全局优先级和任务依赖关系的问题,提出基于资源感知的动态云任务调度算法TPN-GA,旨在提高云计算环境中的任务调度效率。论文工作有以下几方面的创新之处。1.提出一种基于弹性网络回归的任务执行时间预测方法。通过采集任务历史执行数据、感知计算节点资源构造任务调度数据集;通过孤立森林算法对数据集中的异常点进行检测;通过弹性网络回归模型预测任务执行时间。实验表明,该方法的预测准确率高于基于BP神经网络和其他经典的回归模型的方法。2.提出一种动态任务调度算法TP-GA。基于任务全局优先级和任务依赖关系,结合任务执行时间预测结果,重新设计遗传算法的适应度函数、选择算子、交叉算子与变异算子,动态调度云任务,提高任务调度效率,缩短全局作业完成时间。实验表明,该方法的调度效率优于传统遗传算法。3.提出一种多目标任务调度算法TN-GA。基于多目标遗传算法,设计适应度函数、选择算子、交叉算子和变异算子,结合任务执行时间预测结果,在满足任务全局优先级和任务依赖关系的前提下,在上述动态任务调度过程产生的时间间隙中进行精细调度,进一步缩短全局作业完成时间。实验表明,该方法可进一步缩短全局作业完成时间。TPN-GA算法由TP-GA算法和TN-GA算法组成,通过实验结果分析,可知该算法可满足异构云环境中的动态任务调度需求,提高云任务的调度效率。论文提出的方法可挖掘历史任务调度数据中存在的价值,为云提供商提高任务调度效率和利润空间。