云计算所面向的用户群体越来越广泛，需要处理的任务量和数据量非常庞大，使系统时刻处于海量任务处理的忙碌状态，因此如何进行合理的任务调度成为云计算研究领域的核心问题。云计算环境下，许多学者将遗传算法、蚁群算法应用于任务调度中，虽然取得了不错的效果，但由于遗传算法后期效率低，蚁群算法初期信息素匮乏影响了云计算任务调度算法的性能。针对以上问题，论文研究遗传算法和蚁群算法相融合的云计算任务调度算法，该算法提高云计算任务调度的效率，充分发挥遗传算法和蚁群算法的优势。　　 论文研究的主要内容如下:　　 论文首先分析遗传算法和蚁群算法的优缺点，针对蚁群算法初始信息素匮乏和遗传算法在求解到一定范围时常做大量无为冗余迭代而导致求解效率低的问题，提出将遗传算法和蚁群算法进行动态融合的设计思想。然后给出遗传算法和蚁群算法最佳动态融合时机的确定方法，避免因遗传算法过早或过晚结束而影响算法的整体性能。最后给出将遗传算法求解结果转化为蚁群算法初始信息素的方法。　　 论文所提出的基于遗传算法和蚁群算法融合的云计算任务调度算法以任务的最少完成时间为目标，初期采用遗传算法进行任务调度，但随着任务数量的增加，遗传算法的求解效率降低，所以依据动态融合的设计思想，确定遗传算法的结束时间和遗传算法求解结果如何转化为蚁群算法的初始信息素，进而采用蚁群算法完成后期的任务调度。最后给出遗传算法、蚁群算法在任务调度中的设计要素及算法融合衔接处的设计要素。　　 论文在CloudSim开源仿真平台上，通过重写调度模型中的主要功能模块(DataCenterBroker、Cloudlet等类)，对所提出的基于遗传算法和蚁群算法动态融合的任务调度算法进行了模拟仿真。将该算法与单一的遗传算法、蚁群算法在解决云计算任务调度中的仿真结果进行比较和分析，验证所提算法的有效性。