随着高性能计算需求的不断增长，单一计算架构难以满足复杂应用在性能、能效等方面的综合要求。异构计算平台通过集成CPU、GPU、FPGA等不同架构的处理单元，为处理多样化计算任务提供了强大支持。异构环境的复杂性和差异性使得并行任务调度成为影响系统整体性能的关键瓶颈。如何将多个具有依赖关系的并行任务高效、合理地映射到异构的处理单元上，并优化执行顺序，是一项极具挑战性的研究课题。
当前异构任务调度主要面临几个核心问题。任务模型与平台模型的精准刻画存在困难。并行任务通常以有向无环图（DAG）进行建模，但任务在不同类型处理单元上的执行时间、通信开销和能耗差异巨大，需要精确量化。调度目标多样化。传统调度往往以最小化完成时间（Makespan）为主要目标，而在实际应用中，还需综合考虑系统能耗、资源利用率、负载均衡及经济成本等多重目标，这些目标之间往往相互冲突，需要权衡。调度算法本身的设计复杂度高。异构环境下的任务调度已被证明是NP难问题，寻找精确最优解在大规模场景下几乎不可行，因此研究重心转向设计高效的启发式或元启发式近似算法。
针对上述问题，本研究提出一种面向多重优化的自适应混合调度模型。该模型首先构建一个分层的异构平台性能画像，通过历史执行数据与实时性能监测，动态预测任务在不同类型计算节点上的执行开销与通信延迟，为调度决策提供更准确的输入。在任务建模方面，除了传统的DAG，模型还引入了任务的计算密度、数据量以及对特定硬件加速特性的依赖度等属性标签，实现更精细的任务描述。
模型的核心是一个两阶段调度优化框架。第一阶段采用改进的异构最早完成时间（HEFT）算法进行初始调度。我们对传统的HEFT算法进行改进，在计算任务优先级时，不仅考虑任务的平均执行时间和通信成本，还引入了资源竞争因子和能效比参数，以生成一个兼顾时间和能耗的初始任务序列与处理器分配方案。第二阶段，设计一种基于帕累托前沿的多目标遗传算法进行深度优化。该算法以初始调度方案为种群起点，将完成时间、总能耗和资源负载均衡度作为三个独立的适应度函数，通过交叉、变异和精英保留策略进行迭代搜索，最终输出一组非支配的帕累托最优解集。系统管理者可以根据当前的优化偏好（如更注重速度或更注重节能）从解集中选择最终的调度方案。
为了验证模型的有效性，我们使用标准任务图集（如随机生成DAG和真实科学工作流如Montage、Cybershake）在仿真平台CloudSim-HPC上进行实验。对比实验选取了经典HEFT算法、CPOP算法以及多目标粒子群优化算法作为基准。实验结果表明，在大多数测试场景下，本模型生成的调度方案在完成时间上较基准算法平均缩短了约8.5%，同时系统总能耗降低了约12.3%，并且各计算节点的负载标准差显著下降，体现了良好的均衡性。该模型展现出在不同规模任务图和异构资源配置下的较强适应性和综合优化能力。
本研究工作为异构计算环境中解决多目标约束下的并行任务调度问题提供了一种可行的思路与模型。模型通过分层性能画像、改进的启发式初始化与多目标进化搜索相结合的方式，在调度质量与算法效率之间取得了较好平衡。未来工作可进一步探索调度模型的在线自适应调整机制，以应对动态变化的系统负载和任务到达情况，并将模型扩展到云边端协同的更大规模异构环境中进行验证与应用。