随着越来越多的计算密集型依赖应用被卸载到云环境中执行,工作流调度问题受到了广泛的关注.针对云环境多目标优化的工作流调度问题,考虑到任务执行过程中服务器可能会发生性能波动和宕机等问题,基于模糊理论,使用三角模糊数表示任务执行时间和数据传输时间,提出了一种基于遗传算法的自适应粒子群优化算法(Adaptive　Particle　Swarm　Optimization　based　GA,APSOGA),目的是在工作流的可靠性约束下,综合优化工作流的完成时间和执行代价.该算法为了避免传统粒子群优化算法存在的过早收敛问题,引入了遗传算法的随机两点交叉操作和单点变异操作,有效地提升了算法的搜索性能.实验结果表明,与其他策略相比,基于　APSOGA的调度策略能够有效地降低云环境中面向可靠性约束的科学工作流的模糊总代价.