(1)云计算
云计算通过多种部署方式，包括私有云、社区云、公共云和混合云四种部署模式，实现基础设施即服务、平台即服务、服务即服务云计算具有两个显著特点：快速、灵活、可扩展，可提供按需服务。
云计算的关键技术分别包括：虚拟化技术、分布式数据存储技术、大数据管理技术和调度技术。
)2)调度技术
云计算中的调度一般包括两个部分3360资源调度：资源调度是指对物理资源进行合理有效的管理和使用等； 任务调度：合理分配任务给相应的计算资源执行。
)3)云环境下的服务交付模型
云计算的服务交付模式如图所示分为四个部分。
用户提交任务
任务管理器将其分割为多个子任务
任务调度器通过调度技术对子任务和物理资源建立映射关系
任务完成后汇总并反馈给用户。
由此可见，从任务的出发到完成，在整个任务的执行过程中，调度技术起着举足轻重的作用，它影响着整个系统的运行效率、用户服务质量、系统负载均衡、系统能耗。
因此，适合云计算环境的调度技术非常重要。 由于调度技术分为资源调度和任务调度，本文只关注任务调度。
)4)任务调度算法
任务调度算法根据调度目标的数量可以分为两种：单目标优化的传统任务调度算法、多目标优化的启发式思想智能化算法。
4.1单目标优化的任务调度算法
单目标优化的任务调度算法主要包括：最小完成时间(Minimum Completion Time，MCT )、最小执行时间(Minimum Execution Time，MET )、交换算法(swimum execution alime，swime ) 贪婪算法) ) GRA )，先进先出)算法(First Come First Server，FCFS/First In First Out，FIFO )，短作业优先算法) show
其中MET算法考虑了任务的最短执行时间，忽略了负载是否均衡的问题； MCT算法考虑了任务的最早完成时间，但工作时间可能会变长； SJF算法考虑无视任务的优先顺序，优先执行选择所需时间短的任务。
综上所述，可以看出：单目标优化的任务调度算法侧重于单目标的最优解。 也就是说，一个实例的优化体现在“最”字上。 这样的话，其他实例就不在考虑范围之内，不得不舍弃很多东西。 限于某个目标的最佳，不能考虑整体的，是极端的算法，为了达成目标，可以牺牲一切。 结果，虽然那个实施例效果最好，但是为了最大限度地满足它而舍弃了太多的东西，其他的实施例的效果不理想，导致最坏的结果，结果有很大的界限，不能普及。
4.2多目标优化的任务调度算法
在优化设计中，要求对多个目标进行优化的问题被称为多目标优化或多约束问题。在这种情况下，基于启发式思想的智能算法应运而生。
启发式思想的智能化算法思想是：在解决多约束问题时，在可接受费用的前提下，得到一个解决方案，并给出满足尽可能多目标的优化的一个可行解。 其核心是“多目标优化”，也就是说，对于每个实例来说，当前的解可能不是其最优解，但多个实例是尽可能满足需求条件的最优解。
常用的启发式思想智能化算法包括两种：
生物启发(Biological Inspiration，BI )遗传算法(Genetic Algorithm，GA )、模因算法(Memetic Algorithm，MA )、狮子算法) line算法
群体智能(Swarm Intelligence，SI )蚁群) Ant Colony Optimization，ACO算法，粒子群优化， PSO )算法、基于模拟退火(simulatence )的SA )算法、人工蜂群(Artificial Bee Colony，ABC )算法、猫群优化(cat swarm option )
)5)在算法搜索过程中进行信息交换的算法ACO，在PSO都面临一个问题3360信息交换后，每个个体都受到优秀个体搜索结果的影响，向着优秀个体“匹配”，算法收敛速度大大加快。 算法的收敛速度快的话会产生两种结果3360
整个算法进程空间加快，更快达到退出条件
算法失去多样性，容易陷入局部最优
与此相对，GA、SA收敛速度都相对较慢，这是因为GA对个体群中的多个个体进行操作，SA对温度变化过程中产生的每个新解进行操作，需要时间，收敛速度不会变快。 算法的收敛速度慢的话会产生2种结果：
整个算法的过程节奏太慢，算法搜索效率低
增强算法的全局搜索能力，降低有效陷入局部最优的可能性。