Ce rapport, qui est une mise à jour du rapport [5], présente plusieurs algorithmes prenant en compte le budget pour déployer des workflows scientifiques sur des plateformes de Cloud de type IaaS, sur lesquelles les utilisateurs peuvent utiliser des machines virtuelles (ou Virtual Machines, VMs) de différents types, ces dernières étant caractérisées par un coût et une vitesse qui leur sont propres. Nous utilisons un modèle de plateforme et de workflow réalistes avec des tâches de taille stochastique et des VMs communiquant par le biais d’un datacenter. Nous étendons deux algorithmes connus, HEFT et Min-Min, et effectuons l’ordonnancement en nous basant à la fois sur la disponibilité des machines et le budget disponible. Pendant le processus d’attribution des VMs aux tâches, les algorithmes prenant le budget en compte se basent sur des hypothèses conservatives afin d’éviter de dépasser le budget initial ; nous améliorons nos résultats en proposant des algorithmes raffinant ces solutions en tentant de ré-assigner certaines taches à des VMs plus rapides, en utilisant pour ce faire la part de budget restant suite à l’ordonnancement initial. Ces versions raffinées demandent plus de temps que les algorithmes proposés plus tôt, il y a donc un compromis à faire en termes de scalabilité. Nous présentons un vaste ensemble de simulations effectuées sur des workflows obtenus à l’aide d’un logiciel de benchmark de Pegasus. Les algorithmes prenant en compte le budget réussissent en général à obtenir des makespans efficaces tout en respectant le budget accordé, et ce malgré l’incertitude concernant la taille des tâches. Nous les comparons également à deux compétiteurs, BDT and CG/CG+.