随着互联网技术的发展，云计算以其诸多优点吸引越来越多的用户将服务部署到云端。但是云市场的复杂性，不同的价格变动模式、不同的云数据中心以及种类繁多的云实例给用户在选择云实例时造成障碍。用户在选择按需实例时，需要选择哪些云数据中心中的哪些云实例可以产生更高的性价比。在选择竞价实例时，需要提前预知未来的价格变动情况以便给出合适的出价，更好地选择云实例。
　　本文针对云实例选择问题进行研究，分别对单云和多云环境下按需实例的云实例选择问题和竞价实例的云实例价格预测与选择问题进行研究并提出了相应的解决方案：
　　(1)针对单云环境下按需实例的云实例选择问题，将其转化为最大化总体计算能力，最小化总体价格的多目标优化问题，并针对该问题设计了一种完全帕累托集合生成算法，该算法将问题的搜索空间从解空间降低至广义笛卡儿积，提高了问题求解的时间效率，并且可以保证得到的帕累托集合是完整的。然后通过借鉴理想点法设计了最优选择方案筛选算法用于从完全帕累托集合中挑选最优的云实例选择方案。通过实验验证了所提模型的高效性、正确性和可拓展性。
　　(2)针对多云环境下按需实例的云实例选择问题，将其定义为最大化总体计算能力，最小化总体价格和通讯延迟的多目标优化问题。在遗传算法的编码方式上，采取了二维编码方式，并设计了相邻基因间的约束用于减少问题的搜索空间，在选择操作上结合了轮盘赌策略和精英保留策略，考虑到相邻基因间的约束，在交叉操作上采取了首次适应策略，在变异操作时根据相邻基因确定变异范围。通过实验验证了所提算法的有效性和收敛性。
　　(3)针对竞价实例的价格预测与选择问题，首先通过重采样和滑动窗口的方法对竞价实例的原始价格数据进行数据预处理，得到机器学习模型训练所需的数据集。通过使用k近邻回归算法完成了竞价实例的价格预测工作，用户可根据预测的价格避开高价格时段，选择合适的时间购买竞价实例，避免高出价带来的额外开销，以及低出价带来的实例不可用问题。
　　综上所述，本文针对单云环境下按需实例的云实例选择问题，设计了基于广义笛卡儿积的云实例选择方法，针对多云环境下按需实例的云实例选择问题设计了基于改进遗传算法的云实例选择方法，针对竞价实例的价格预测与选择问题设计了基于k近邻回归算法的云实例价格预测与选择方法，并从理论或实验方面证明所提算法的优越性。