随着互联网向社会各角落的渗透式扩张,计算的网络化、移动化和多样化,软件系统的管理和维护成本逐步增加、对环境变化适应能力的要求越来越高,云环境下服务系统的自适应方法已经成为服务计算和云应用领域的重要研究方向之一。云计算的效用计算特征和按需付费模式,要求服务系统不仅能实现保持资源代价最小的情况下满足应用所需的资源配置,还能在其偏离预期行为时进行自适应地动态调整资源,从而持续提供符合用户预期的服务。然而,现有的自适应方法存在缺乏从系统角度综合考虑用户和服务提供商双方的整体代价等不足。因此,目前迫切需要从整体效能优化的角度系统地研究云应用性能优化的决策问题,兼顾用户收益与云服务提供商成本,切实促进云服务自适应系统的广泛、高效应用。本文在课题组设计并实现的一种云服务系统运行时自优化框架基础上,针对上述云应用性能优化的决策问题,提出一种基于改进遗传算法的决策方法。首先,构建面向资源成本的云应用性能优化决策模型的两个关键因素,包括资源与组件服务质量关系模型和云应用负载预测模型。本文使用一种适用于非线性关系建模的协同过滤推荐算法与支持向量回归算法相结合的服务质量动态建模方法构建资源与服务质量关系模型,并且使用该模型预测一定资源状态下组件服务的响应时间、吞吐量以及可靠性;本文使用深度信念网络方法构建负载预测模型,并且使用该模型预测云应用下一个周期的负载。然后,研究面向资源成本的云应用性能优化决策方法,对云应用性能优化决策问题中的优化目标函数以及约束条件进行定义,并且将该问题转换为相应的数学模型,即构建面向资源成本的云应用性能优化决策模型;通过使用决策算法求解决策模型,比较基本遗传算法、差分搜索算法以及改进遗传算法解决云应用性能优化决策问题的效果,提出一种基于改进遗传算法的云应用性能优化决策方法。最后,介绍面向资源成本的云应用性能优化决策方法的应用。将本文的研究成果应用到自适应优化实验平台,然后在该实验平台上运行一个基于服务的软件系统-景点语音导游云服务系统,以这个自适应系统积累的日志为基础,与没有应用本文的研究成果的自适应系统进行对比实验。测试结果表明:对于负载值周期变化且相邻负载值变化不大这种类型的负载,应用了本文的研究成果的自适应系统性价比高于没应用本文的研究成果的自适应系统性价比。