网格是分布式计算领域中的一个新兴研究方向,在未来社会中发挥着越来越重要的作用,吸引了大批专家致力于网格的研究。网格是一个集成的计算与信息服务环境,它借助网络连接地理上分布的计算资源,并将它们转变成便利、经济、可靠的计算能力,以实现资源的共享。网格资源具有动态性、异构性、自治性等特点,如何合理匹配网格任务与资源,使网格系统达到最佳性能,成为网格研究的重点之一,这也是本文研究的主要内容。网格任务调度是一类组合优化问题,围绕网格任务调度算法,网格学者作了大量的研究工作,已将遗传算法、粒子群算法、Min-Min算法等经典组合优化算法,成功应用于求解网格任务调度问题。混合蛙跳算法SFLA(Shuffled Frog Leaping Algorithm)是一种新兴的启发式算法,它兼具了粒子群算法和模因算法的优点,在求解网格任务调度问题上取得不错的效果。基于对SFLA算法和网格任务调度问题的深入分析,论文针对SFLA算法自身存在的易陷入局部最优以及信息共享不足等缺陷,进行了如下几个方面的研究:首先,考虑到“虎父无犬子”的自然进化规律,鉴于Min-Min算法思路简单、能在较短时间内获得较高质量解等优点,提出Min-Min与随机算法相结合的种群初始化策略,既改善初始种群的质量,又不失其多样性,使种群快速收敛到全局最优;其次,基于种群进化对局部极值的依赖性,对局部极值添加了遗传算子,扩大了局部搜索范围,降低陷入局部最优的几率。同时,借鉴PSO算法中粒子更新思想,优化SFLA算法中最差青蛙个体步长移动公式;最后,在混合过程中,对各族群局部极值添加遗传算子,加强个体间的信息共享,提高种群的多样性,加快算法的收敛速度。为了评估改进SFLA的性能,论文利用Gridsim模拟器,结合JCreator IDE环境,对基于改进SFLA算法的网格任务调度进行仿真实验。实验结果表明,论文改进的SFLA算法是可行的,提高了网格调度系统的吞吐量。论文从种群初始化、个体矢量更新以及混合操作等方面,对SFLA算法进行了改进,并通过Gridsim模拟器对改进的算法进行了仿真。仿真结果表明,论文提出的改进方法是有效的,对网格任务调度算法领域的研究提供一定的帮助。