任务调度是异构计算系统的核心关键部分。有效地任务分配能够提高系统的资源利用率与减少任务的执行时间等。因此,对任务调度的研究极具价值的。本文介绍了多目标优化的研究现状,特别是遗传算法应用于多目标的研究；阐述了异构计算系统的系统结构和原理以及计算任务模式,为本文研究的应用环境做铺垫；深入分析了任务调度问题与分类,明确本文的任务调度类型,并介绍了多目标优化问题,多目标统一为三类：最小化目标、最大化目标、最大化部分目标和最小化部分目标。说明了目前基于遗传算法的多目标优化算法包括基于权重值的多目标遗传算法、基于共享函数的小生境遗传算法、向量评估多目标遗传算法等。本文设定将要实现算法的应用异构计算环境与任务特征,说明研究实现的多目标：负载均衡、完成时间、可靠性,并通过公式化将三个目标统一化为最小化目标。通过研究遗传算法的优缺点与过程,针对遗传算法的早熟收敛,局部搜索能力差与出现局部最优等问题,本文提出了一种基于权重值的改进遗传算法。该算法主要做了以下方面：第一,融合了根据较优个体的种群熵实现自适应交叉变异率的思想,这样能够调整算法的搜索范围,避免种群由于多样性的减少过早收敛。第二,采取了单亲遗传算法的思想,在一定程度上减少了计算量。第三,提出了回收池与回溯机制以及最优保存与最优进化策略,有效地防止出现局部最优解与过早收敛。最后,本文对改进遗传算法进行实验,评估了初始种群的多样性。仿真实验结果也表明改进算法的优越性,并与传统遗传算法、自适应遗传算法做了比较,该算法收敛性好,并能够得到较优的解。