随着云计算技术的普及,网络中涌现出大量功能单一的服务,但用户的需求通常需要不同的服务共同完成。为了满足用户不同的需求,Web服务组合技术应运而生。Web服务组合技术就是在资源池中,将功能单一的候选服务重新组合,构建功能更加强大、应用场景更多的复合Web服务来满足用户的需求。在此基础上,用户进一步对服务的完成时间、可靠性以及可用性提出了要求。因此,如何在云计算环境下选择出令用户满意的服务组合是当下的研究热点,同时也是本文的研究目标。本文主要研究如何利用人工蜂群算法求解Web服务组合优化问题。主要研究工作如下:（1）基于用户提出的服务质量（Quality of Service,Qo S）要求:可靠性、可用性和服务执行时间,采用层次分析法确定权值,同时根据Web服务的基本拓扑结构,构建多属性的组合服务评价模型。将Web服务组合优化问题转变成单目标优化问题。由于数据集中的服务之间存在差异,为提高服务组合与选择的效率,本文引入并改进PROMETHEE II算法用于数据集的预处理。（2）针对人工蜂群算法（Artificial Bee Colony,ABC）的缺点,提出了增强的人工蜂群算法（Enhanced ABC,EABC）:1)在ABC中加入了基于反向学习的自适应方法,这个方法前期加大干扰,防止算法过早收敛,后期干扰会逐渐消失,不影响算法最终收敛;2)在观察蜂阶段引入混沌策略并加入当前全局最优解。混沌策略可以提高观察蜂的随机搜索能力,并依据雇佣蜂提供的蜜源信息,提高优质解附近局部搜索能力。同时加入全局最优解并探索其附近搜索空间,可以提高开发性能加快算法收敛;3)改进侦察蜂阶段的赋值策略,将停滞的蜜蜂赋值一个优质解并加上干扰。（3）对本文提出的优化方法进行仿真。将差分进化算法、粒子群算法、帝国竞争算法和ABC设为对照组,分别使用预处理的数据集和原始数据集,求解不同规模的Web服务的用户评价。从算法的有效性、收敛性、稳定性和执行时间分析对比对照算法和EABC算法性能差异。仿真结果表明数据集预处理是有效的,改进的人工蜂群算法综合能力更强。将两者结合后,EABC算法的执行时间显著降低,同时求得的适应度值更好,稳定性更强。