基因数据小样本、高维数、高冗余的特点常导致特征基因选择出现"维数灾难"和"过拟合"，针对这一问题，提出一种特征基因提取算法——互信息最值过滤原则-惯性权重粒子群优化（MIMVFC-IWPSO）算法。首先，借鉴过滤法的思路，通过计算互信息指标，依据互信息最值过滤原则（MIMVFC）获得特征基因候选子集（FGCS），缩小分类操作的范围，提高特征基因被覆盖的概率；接着，对粒子群优化（PSO）算法进行改进，引入惯性权重实现自调节可变惯性权重粒子群优化（IWPSO）算法，使得在算法迭代初期有着快速的全局优化能力，而在算法后期具有较强的局部搜索能力；最后，运用IWPSO从FGCS中提取核心信息基因子集（CFGS），并基于CFGS对样本进行肿瘤与正常组织的分类。采用3个公开的肿瘤基因表达谱数据进行实验，MIMVFC正确分类率优于信噪比（SNR）、t-检验和信息增益（IG）方法，与卡方统计值（Chi-Square）方法接近，而MIMVFC还能利用IWPSO进一步优化结果。基于相同的FGCS，与目前效果较好的二进制粒子群优化与防治基因算法（BPSO-CGA）相比，IWPSO的运算耗时有所增加，但所获得的CFGS规模减小，准确率提高；而与经典PSO相比，所获得的CFGS规模减小、运算耗时减少、准确率提高。实验结果表明MIMVFC-IWPSO具有较好的综合分类性能，能有效提高准确率和效率，可用于多种肿瘤的特征基因选择，辅助指导分子生物学实验设计和验证。

云计算环境中的资源具有动态性和异构性，大规模任务资源分配的目标是最小化完成时间和资源占用，同时具有尽可能好的负载均衡，这是一个非确定性多项式（NP）问题。借鉴智能群体算法的优点，提出基于改进的粒子群优化（PSO）算法构建混合式群体智能调度策略——动态随机扰动的PSO策略（DRDPSO）。首先，将PSO的惯性权重常数修改为变量，实现对求解过程收敛速度的合理控制；其次，缩小每次迭代的搜索范围，在保留候选最优集合的前提下减少无效搜索；然后，引入选择操作，筛选出优质个体并传递到下一代；最后，设计随机扰动，提高候选解的多样性，在一定程度上避免了局部最优陷阱。在CloudSim平台上进行了两类仿真测试，结果表明，处理同构任务时，在大部分情况下DRDPSO的指标都优于模拟退火遗传算法（SAGA）和遗传算法（GA）+PSO算法，总执行时间比SAGA减少13.7%~37.0%，比GA+PSO减少13.6%~31.6%；其资源耗费比SAGA减少9.8%~17.1%，比GA+PSO减少0.6%~31.1%；其迭代次数比SAGA减少15.7%~60.2%，比GA+PSO减少1.4%~54.7%；其负载均衡度比SAGA减小8.1%~18.5%，比GA+PSO减少2.7%~15.3%，且波动幅度最小。处理异构任务时，三种算法表现出相似的规律：CPU型任务的总执行时间最多，混合型任务次之，IO型任务最少，DRDPSO的综合指标最好，较为适合处理多种类型的异构任务，而GA+PSO算法适合快速求解混合型任务，SAGA则适合快速求解IO型任务。所提DRDPSO在处理较大规模的同构和异构任务时，能够较为明显地缩短总的任务执行时间，不同程度地提高资源利用率，并适当兼顾计算节点的负载均衡。