随着信息技术的不断发展,云计算已经成为当前广泛应用的计算模式和学术界研究的热点。在云计算快速发展的同时,其规模不断扩大,所要处理的用户任务量也越大,因而怎样高效利用系统资源、提高整体性能,并保证用户服务等级协议,已经是云计算领域需要解决的重要问题之一。有效的负载均衡策略则是解决这个问题的一种重要措施。本文针对云计算环境下负载均衡问题进行了深入的研究。1.基于负载评价对负载均衡算法的重要性,提出使用群决策层次分析法对服务节点的负载状态进行评价。这其中,采用计算多人独立构造的判断矩阵对应元素的几何平均法,构造出群决策判断矩阵,从而降低人为构造判断矩阵所产生的主观性和片面性,使服务节点的负载评价更加客观准确。2.提出采用HHGA-RBF神经网络针对负载进行预测的方法,建立负载预测模型。在训练RBF神经网络方面,使用混合递阶遗传算法,即递阶遗传算法和递推最小二乘法,利用递阶遗传算法确定RBF神经网络的结构、隐藏层节点的中心和宽度,使用递推最小二乘法对隐藏层和输出层之间的连接权值进行构造,使得RBF神经网络收敛更快、效率更高、预测精度高,从而有效预测节点负载情况。实验结果表明,基于HHGA-RBF神经网络的负载预测值近似于负载评价值,平均相对误差值<0.01,比BP神经网络的负载预测效果更好。3.在基于节点负载预测的基础上,结合加权轮询算法,提出一种新的动态负载均衡算法-DPWRR。该算法利用针对节点周期性的负载预测值计算出节点所对应的权值并不断更新,进而保留静态加权轮询算法的优势、避免其不足之处。最后使用CloudAnalyst做仿真实验对提出的算法进行验证,实验结果表明,DPWRR能达到较好的负载均衡效果。