兩階段云服務組合優化算法及其應用研究

摘 要：針對目前云服務市場中如何快速有效為客戶提供最優組合云服務問題，提出一種包括灰色關聯和自適應遺傳算法的兩階段云服務組合優化算法。首先根據用戶云服務需求，利用灰色關聯分析對云服務進行初步篩選形成候選云服務集；其次建立時間最短、成本最低、可用性、互操作性、可擴展性和滿意度最佳的多目標決策模型，采用自適應遺傳算法求解模型，確定最優云服務組合方案；最后通過算例證明該算法在解決最佳云服務組合方面的合理性和科學性。

關鍵詞：云服務組合；灰色關聯分析；改進遺傳算法；多目標決策

中圖分類號：TP391 文獻標識碼：A 文章編號：2096-4706（2024）08-0115-08

DOI：10.19850/j.cnki.2096-4706.2024.08.026

0 引 言

近十年來，云計算憑借部署簡單、可靠性高、伸縮性好等優點逐漸被企業所接受。國內云計算已經從概念導入進入廣泛普及、應用繁榮的新階段，云計算成為數字經濟背景下企業數字化轉型的必然選擇，企業上云進程進一步加速。隨著云計算服務功能豐富和市場擴大，云計算應用的不斷深入，用戶對云服務的需求也愈發復雜，傳統的單一云服務類型無法滿足用戶復雜的業務需求。因此通過云服務的組合來滿足用戶復雜業務需求顯得至關重要。

針對云服務組合問題，很多學者構造云服務組合優化的決策模型，將云服務組合問題作為滿足多個服務質量（quality of services， QoS）目標要求的多目標決策問題[1]。付超等提出了云制造環境下的云服務組合多目標規劃模型[2]。Mostafa等采用兩種多目標方法來解決具有沖突目的和對質量矩陣不同限制的服務組合問題[3]。Dahan認為隨著云服務種類豐富，基于服務質量QoS的云服務組合具有NP-Hard問題特征[4]。啟發式機制算法常被應用于求解云服務組合優化問題。Karimi等根據云服務中的SLA合同確定的組合要求，采用關聯規則和遺傳算法等來減少組合時間、提高算法性能[5]。Zhou等針對不同云服務組合多目標優化問題，分析如何選擇合適的多目標進化算法[6]。Potluri等根據云服務QoS采用兩階段云服務推薦模型對云服務進行排序[7]。還有學者采用入侵性雜草優化算法（IWO）[8]、多智能體蟻群算法[6]、自適應遺傳算法[9]、改進北極熊算法[10]等智能優化算法求解云服務組合問題。以上研究主要從時間、成本、性能、資源調度等角度研究云服務組合問題，較少綜合考慮用戶對云服務使用評價因素。另外在組合優化算法求解上，較少有考慮云服務數量多、組合優化效率低下等問題。考慮以上問題，本文在已有研究成果上，構建云服務組合QoS測度模型并提出一種包括灰色關聯和改進遺傳算法的兩階段云服務組合優化算法。

1 云服務組合問題和模型

1.1 云服務組合問題和模型

云服務組合是指云服務平臺選擇并組合云服務資源完成用戶云服務需求的過程[1]。云服務組合優化的流程如圖1所示。

具體步驟如下：

1）用戶向云服務平臺提交云服務需求。

2）將用戶需求按照不同類型分解成若干云服務子任務，并針對每項子任務匹配滿足要求的云服務資源集。

3）判定用戶的云服務模式，如果為單一模式進入步驟四，否則進入步驟五。

4）在滿足用戶需求的云服務資源池中，選擇最優的云服務推薦給用戶。

5）對于用戶復雜多樣的云服務需求，則選擇組合服務模式。云平臺根據用戶QoS目標，篩選出各子任務的候選云服務集。

6）通過云服務組合優化，得到最優的云服務組合，完成用戶云服務任務。

為了實現云服務組合優化，選取科學、合理和可行的云服務評價指標尤為關鍵。目前學者們大多是基于成本、執行時間、可靠性、可用性、安全性等常用指標[11-13]來構建云服務質量QoS指標體系。本文在現有服務QoS評價指標基礎上，結合用戶對云服務的滿意度，建立云服務組合優化的QoS評價指標體系，主要包括：時間、成本、可用性、互操作性、可擴展性、滿意度。借鑒Web服務、云計算服務的相關QoS測度方法，可以定義云服務QoS屬性的計算方法。

1）時間（Time， T）是指從用戶提交云服務請求到獲得服務執行結果所需的時間[1]。時間的測度主要包括服務響應時間和服務執行時間。

2）成本（Cost， C）是指用戶在單位時間內使用某類云服務所需支付的費用[5]。

3）可用性（Availability）。可用性（A）指云服務能在特定時間、特定條件下被用戶成功訪問的能力，該指標綜合了系統可用性、可靠性和可服務性的概念[14]。

4）互操作性（Interoperability， In）是云服務與提供商的其他平臺服務或其他服務提供商的云服務之間的交互能力。互操作性也是用戶選擇云服務要考慮的一個重要因素，可以定義為：In = Np / Nc，其中Np為提供商支持的平臺數，Nc為客戶要求支持的平臺數[15]。

5）可擴展性（Scalability， Sc）是指用戶可以根據實際業務需求的增加自動或手動地擴展其云服務資源；同樣，當業務需求減少時，亦可根據用戶需求釋放云服務資源[14]。

6）滿意度（Satisfaction， Sa）是表示用戶對云服務的期望值與用戶實際體驗之間的匹配程度。滿意度的測量值直接利用云服務平臺上用戶對云服務的評價數據。

1.2 云服務組合問題建模

云服務組合優化的最終目標是根據用戶云服務需求，從候選的云服務資源中選取最優云服務組合使得完成云服務任務的時間最短、成本最低、可用性、互操作性和可擴展性最好、滿意度最佳。

該問題的數學描述如下：假設用戶的云服務需求為S = {si | i = 1，2，…，n}，表示云服務需求是由n項云服務任務組成的集合；對于云服務任務si存在候選云服務集CSi = {csij | i = 1，2，…，n，j = 1，2，…，mi}，其中mi為si對應的候選云服務數量；云服務任務si的對應QoS屬性集合為：QCSij = {TCSij，CCSij，ACSij，InCSij，ScCSij，SaCSij}，其中TCSij為時間、CCSij為成本、ACSij為可用性、InCSij為互操作性、ScCSij為可擴展性、SaCSij為滿意度。T （ fi ）、C （ fi ）、A （ fi ）、In （ fi ）、Sc （ fi ）、

Sa （ fi ）分別為完成云服務組合任務所需要的總時間、總成本、總可用性、總互操作性、總擴展性和總滿意度。云服務組合優化的目標可采用如下目標函數表示：

（1）

針對該多目標優化決策問題，可以利用線性加權法將其轉化為單目標優化決策問題，為此可以采用如下目標函數表示：

（2）

其中，w1、w2、w3、w4、w5、w6分別為QoS屬性時間、成本、可用性、互操作性、擴展性和滿意度的權重系數，且滿足 。

2 云服務組合優化模型求解

2.1 云服務組合優化QoS指標測度方法

任何一個云服務組合路徑都可以由順序結構、并行結構、選擇結構和循環結構四種基本結構組成，如圖2所示。

基于四種結構的QoS值，可得云服務組合的QoS目標值：QCS={T （ fi ），C （ fi ），A （ fi ），In （ fi ），Sc （ fi ），

Sa （ fi ）}。其中T （ fi ）、C （ fi ）、A （ fi ）、In （ fi ）、Sc （ fi ）、Sa （ fi ）的計算采用文獻[2]中四類基本結構下的云服務組合QoS的計算方法，如表1所示。

表中，λi為選擇結構中云服務csij被選中的概率，滿足 ；θ為云服務循環的次數； 為0—1變量，表示云服務任務i由csij服務完成。

2.2 基于灰色關聯分析的云服務集篩選

云服務平臺中云服務種類繁多、數量巨大，不同云服務商的云服務之間水平差異也較大。直接進行云服務組合優化求解可能存在云服務組合數量較為龐大且計算效率低等問題。云服務的初始篩選對隨后的云服務組合優化有重要作用，通過篩選QoS屬性指標值較差的云服務，能縮小云服務組合優化問題的解空間，進而提高云服務組合的效率。本文擬運用灰色關聯分析法進行云服務篩選[16]，具體過程如下：

1）構建決策矩陣。設云服務類型Si（i = 1，2，…，n）中存在mk個候選云服務、n個屬性，xij為云服務類型Si中第i個候選云服務的j指標值。則云服務類型Si的初始決策矩陣M為M = （xij）mk×n。采用線性標度轉換法對決策矩陣作規范化處理，用式（3）對獲益性和損失性目標屬性的規范化分別進行計算，得規范化決策矩陣V = （vij）mk×n。

（3）

2）確定理想方案與負理想方案。根據決策矩陣V，可得理想方案A*和負理想方案A-，即：

（4）

（5）

其中，J1和J2分別為獲益性、損失性指標，式（4）表示理想方案A*由各目標屬性下最好的屬性值組成，式（5）表示負理想方案A-由各個目標屬性最差的屬性值組成。

3）計算候選云服務方案與理想云服務方案和負理想云服務方案間的灰色關聯度。首先分別利用式（6）、式（7）計算第i個候選云服務與理想方案和負理想方案關于第j個指標的灰色關聯系數 、：

（6）

（7）

其中，ρ為分辨系數，ρ ∈ [0，1]，通常取值ρ = 0.5。則第i個候選云服務與理想方案和負理想方案的灰色關聯度分別為：

（8）

（9）

4）計算候選云服務方案的灰色關聯相對貼近度：

（10）

根據相對貼近度的Ci的大小順序，排列各云服務類型中候選云服務，從而篩選排序靠前的云服務作為各云服務類型的備選云服務。

2.3 基于自適應遺傳算法的云服務組合優化

云服務組合優化問題是典型的多目標優化問題，文本采用自適應遺傳算法（AGA）來求解云服務組合優化問題[17]，具體步驟如下：

1）染色體編碼方式。根據遺傳算法二進制編碼特征，每一個染色體即云服務組合可以用如圖3所示的二進制代碼串來表示，代碼串中uij代表一個候選云服務的狀態，當uij = 1表示任務Si的第j個候選云服務被選中，uij = 0表示未被選中。因此云服務組合優化問題就轉換成求解最優染色體編碼問題。

2）適應度函數。遺傳算法中種群內個體遺傳到下一代的機會取決于個體適應度值，因此所有個體的適應度fitness （x）必須為非負數。將（2）式目標函數進行轉換，可以取：

fitness （x） = Z （x） + c （11）

其中Z （x）為目標函數，c為非負整數，使得滿足fitness （x）＞0即可。

3）選擇操作。選擇操作主要依據“優勝劣汰”原則，為了保證最佳的云服務資源能進入下一代新群體中，本文采用輪盤賭法，設種群數為M，個體i的適應度為fiti，整個種群適應度為 ，則個體i的選擇概率Pi可以用公式表為：

（12）

若個體的選擇概率大，則能被多次選擇，其遺傳基因會進一步在種群中擴大；若個體的選擇概率小，則被淘汰。這樣通過選擇操作保證了種群進化過程中優良個體數目越來越多。

4）自適應交叉和變異概率。在標準遺傳算法中，交叉概率Pc和變異概率Pm一般為固定值，這樣很容易造成遺傳算法的早熟，Pc和Pm越大，新個體更新速度加快，但后代的遺傳特征變化更大，使得高適應度的個體可能會丟失。而當Pc和Pm越小時，個體適應度較為平穩，個體更新的速度就越慢。而AGA采用自適應的交叉概率Pc和變異概率Pm，讓每個個體的交叉概率Pc和變異概率Pm隨個體的適應度變化而變化。對適應度較小的個體，適當增大其Pc和Pm，以加速個體更新速度；對適應度較大的個體，Pc和Pm相應減少，使較優解不易丟失。這樣種群中的每個個體對外界環境的變化就具有自適應能力。

設在遺傳過程中，較差個體和較優個體的交叉概率分別為Pc0和Pc1（Pc0＞Pc1）；較差個體和較優個體的變異概率分別為Pm0和Pm1（Pm0＞Pm1），并設定以上概率的取值范圍：Pc0，Pc1 ∈ [0.2，0.7]，Pm0，Pm1 ∈ [0.1，0.5]。種群中的最大適應度和平均適應度分別為fitmax和fitavg，執行交叉操作兩個體適應度的較小值為fitsmall，執行變異操作個體的適應度為fitmut。則自適應遺傳算法的交叉概率Pc可以用下式表示：

（13）

變異概率Pm如下：

（14）

5）修正機制。考慮到云服務組合優化的約束條件，特在自適應遺傳算法的選擇、交叉和變異過程中加入一個修正函數，以確保遺傳過程中每一個個體都滿足基本的約束條件，修正函數如下：

（15）

其中，qij為遺傳過程中產生的一個個體，如果該個體不滿足約束條件，則將該個體直接從種群中淘汰，重新進行種群的選擇、交叉和變異操作，直到生成的個體滿足基本約束條件，才作為有效的新個體。

6）自適應遺傳算法步驟。根據上述建立的自適應遺傳算法求解方法，利用MATLAB遺傳算法工具箱GATBX對該模型進行求解[18]。具體步驟如下：

步驟一：參數定義。首先設定自適應遺傳算法相關參數，包括種群初始個體數目，最大遺傳代數、選擇概率、較差個體和較優個體的交叉概率、較差個體和較優個體的變異概率。

步驟二：初始種群的產生。按照給定的種群個體數目和基因位長度，利用crtbp函數進行種群初始化，令迭代代數gen=1。

步驟三：如果gen已經達到最大迭代代數，轉到步驟九，否則轉到步驟四。

步驟四：適應度值計算。按照式（11）計算種群中個體的適應度，并統計種群的最大適應度值和平均適應度值。

步驟五：選擇操作。采用輪盤賭法，通過select函數進行選擇操作得到子代新種群。

步驟六：交叉操作。對種群中的個體進行隨機配對，若隨機配對個體中有個體的適應度值為最大適應度值，則保留該個體，否則按照式（13）計算自適應交叉概率，通過recombin函數進行交叉重組操作。

步驟七：變異操作。按照式（14）計算自適應變異概率，通過mut函數進行變異操作。

步驟八：令gen=gen+1，轉到步驟三。

步驟九：將具有最大適應度值的個體作為云服務組合的最優解，算法結束。

3 案例分析

3.1 服務QoS屬性樣本數據收集

考慮某信息通訊企業將企業的云服務需求提交給某云服務平臺，按照云服務類別，平臺將企業需求分解為計算服務（IaaS服務）和存儲服務（IaaS服務）、客戶關系管理系統（SaaS服務）和OA（SaaS服務）四類子任務，即用戶的云服務任務為S = {S1，S2，S3，S4}，表示用戶云服務任務是4項云服務組成的集合。假定用戶的各項云服務都按照順序結構執行，則每個子任務的初始候選云服務資源如圖4所示，各候選云服務的相關QoS屬性值：時間T、成本C、可用性A、互操作性In、可擴展性Sc、滿意度Sa，如表2所示。本文要求用戶的每項云服務任務選擇一個對應的云服務，云服務組合優化的目標是找出滿足用戶需求的最佳云服務組合。

注：表中成本、滿意度數據來自aliyun.com市場，時間、可用性、互操作性和可擴展性的數據為模擬數據，實際應用中核心云平臺可以根據需要進行測試收集這四項數據。

3.2 基于灰色關聯分析的初始云服務集篩選

1）針對表2中指標量綱不一致問題，采用線性標度法對每種云服務類型分別進行規范化處理，即利用式（3）對時間、成本兩個損失性指標和可用性、互操作性、可擴展性和滿意度四個獲益性指標分別進行計算，得到規范化QoS屬性值。

2）利用式（4）、式（5）可以求得計算服務（IaaS服務）和存儲服務（IaaS）、CRM（SaaS服務）和OA（SaaS服務）四類云服務子任務中的理想方案和負理想方案分別為：

； （16）

3）根據式（16），分別利用式（6）、式（7）計算候選云服務與理想方案和負理想方案QoS指標之間的灰色關聯系數；再利用式（8）～（10）計算候選云服務與理想方案和負理想方案的灰色關聯度、與理想方案的相對貼近度，結果如表3所示。并對四類云服務任務進行排序，剔除掉每類云服務中排序靠后的云服務，篩選出較優的候選云服務，如圖5所示。

3.3 基于自適應遺傳算法的云服務組合優化

針對篩選出的云服務集，利用自適應遺傳算法求解最優的云服務組合。

1）對篩選后的云服務集進行規范化。對篩選后的候選云服務集按照云服務類型分別進行規范化處理，利用向量規范化法，即 ，對時間、成本、互操作性、可擴展性和滿意度五個QoS屬性指標進行計算，針對可用性QoS組合計算中累積的特征，利用" 對其進行規范化，得到規范化QoS數據，如表4所示。

2）QoS屬性權重確定。按照Satty標度法對企業和相關專家進行問卷調查，對云服務的QoS屬性指標進行重要度評價，按照企業的需求，確定云服務的六個QoS屬性指標的權重系數w分別是w1 = 0.075，w2 = 0.216，w3 = 0.28，w4 = 0.04，w5 = 0.075，w6 = 0.315。

3）自適應遺傳算法求解過程。針對候選云服務集（圖5），使用QoS屬性規范化數據（表4）和對應的指標權重系數值，利用自適應遺傳算法求解最優的云服務組合使得式（2）的目標函數達到最小值，其中云服務組合的總時間、總成本、總可用性、總互操作性、總擴展性和總滿意度分別根據QoS組合公式中的順序結構對應公式進行計算。實驗參數設置如表5所示。

1）算法有效性驗證。根據參考文獻[19]的方法，選取全局優化百分數，即算法求得問題最優結果的次數占總試驗次數的百分比作為驗證自適應遺傳算法有效性的評價指標。先利用窮舉法得到云服務組合的最優解，然后利用自適應遺傳算法AGA對問題進行求解，統計不同迭代次數下得到的最優解次數，進而得到全局優化結果百分數。如圖6所示，迭代代數分別為50、100、150、200，試驗次數為50時，所得的最優結果的次數。

由圖可知，當迭代代數低于100時，得到最優解的百分比低于50%；當迭代代數大于150時，獲得最優解的比例較高。因此證實自適應遺傳算法對云服務組合優化問題求解的有效性。

2）算法結果分析。設置迭代代數為160，通過MATLAB執行自適應遺傳算法5次，選取最優結果，其目標函數均值及性能，如圖7所示。

經過160代遺傳后，得到最優的云服務組合的個體，最優目標函數值為1.513 4，表示滿足該企業云服務任務的最優云服務組合為：{C11，C22，C31，C41}。該云服務組合完成用戶云服務任務的總時間為27分鐘，總成本為1 578元/年，總的可用性為92.64%，總互操作性為0.853，總可擴展性為0.733，總滿意度為4.783。

3）算法對比分析。利用MATLAB軟件，設置迭代次數為160，分別利用標準遺傳算法（SGA）和自適應遺傳算法（AGA）各進行50次實驗，結果顯示采用SGA得到39次最優解，而AGA得到44次最優解，選取其中一次實驗結果，如圖8所示。

其中采用自適應遺傳算法AGA時，當迭代達到61代時目標函數值就能達到最優解；而采用普通遺傳算法SGA需要93代才能達到最優解。實驗表明采用自適應遺傳算法相比傳統遺傳算法，具有一定優越性，當用戶任務數量和候選云服務數量增加時，自適應遺傳算法的優越性將更加明顯。

4 結 論

選擇最優的云服務資源組合是完成用戶復雜云服務需求的關鍵，云服務資源組合是否得到最優配置，具有重要的現實作用。為此本文提出一種云服務組合優化方法。首先建立包括時間、成本、可用性、互操作性、可擴展性和滿意度的多QoS目標決策模型；再根據用戶云服務需求，利用灰色關聯分析對云服務進行篩選形成候選云服務集；采用自適應遺傳算法求解多目標決策模型，確定最優云服務組合方案。最后以某企業云服務任務為例，采用上述兩階段云服務組合優化方法求解最優云服務組合，實驗案例結果表明該方法的有效性和合理性。

參考文獻：

[1] SHE Q P，WEI X C，NIE G H，et al. QoS-Aware Cloud Service Composition： A Systematic Mapping Study from the Perspective of Computational Intelligence [J].Expert Systems with Applications，2019，138：112804（2019-12-30）.https：//www.sciencedirect.com/science/article/abs/pii/S0957417419305007.

[2] 付超，肖明.云制造環境下的云服務組合優選方法 [J].計算機應用研究，2014，31（6）：1744-1747+1751.

[3] MOSTAFA A，ZHANG M.Multi-Objective Service Composition in Uncertain Environments [J].IEEE Transactions on Services Computing，2015，29（1）：19-28.

[4] DAHAN F. An Effective Multi-Agent Ant Colony Optimization Algorithm for QoS-Aware Cloud Service Composition [J].IEEE Access，2021，9：17196-17207.

[5] KARIMI M B，ISAZADEH A，RAHMANI A M.QoS-Aware Service Composition in Cloud Computing Using Data Mining Techniques and Genetic Algorithm [J].The Journal of Supercomputing，2016：1-29.

[6] ZHOU J J，GAO L，YAO X F，et al. Evolutionary Algorithms for Many-Objective Cloud Service Composition： Performance Assessments and Comparisons [J].Swarm and Evolutionary Computation，2019，51：1-17.

[7] POTLURI S，RAO K S. Improved Quality of Service-Based Cloud Service Ranking and Recommendation Model [J].Telkomnika，2020，18（3）：1252-1258.

[8] JATOTH C，GANGADHARAN G R，FIORE U. Optimal Fitness Aware Cloud Service Composition Using Modified Invasive Weed Optimization [J].Swarm and evolutionary computation，2019，44：1073-1091.

[9] JATOTH C，GANGADHARAN G R，BUYYA R. Optimal Fitness Aware Cloud Service Composition using an Adaptive Genotypes Evolution based Genetic Algorithm [J].Future Generation Computer Systems，2019，94：185-198.

[10] 廖文利，魏樂，王宇.基于改進北極熊算法的制造云服務組合優化 [J].計算機應用研究，2022，39（4）：1099-1104.

[11] 李珊，俞瑛，宋波.基于主客觀綜合權重的云服務時間序列選擇算法 [J].計算機系統應用，2016，25（11）：187-192.

[12] 魯城華，魯縣華，錢升華.基于多層次屬性建模的云制造服務優選方法 [J].計算機應用與軟件，2022，39（1）：79-88+218.

[13] YAGHOUBI M，MAROOSI A. Simulation and Modeling of an Improved Multi-Verse Optimization Algorithm for QoS-Aware Web Service Composition With Service level Agreements in the Cloud Environments [J].Simulation Modelling Practice and Theory，2020，103：1-16.

[14] 鄧國華，陳冬林，姚夢迪.基于AHP-線性分配法的企業云計算投資決策 [J].統計與決策，2018，34（5）：176-179.

[15] GARG S K，VERSTEEG S，BUYYA R. A Framework for Ranking of Cloud Computing Services [J].Future Generation Computer Systems，2013，29（4）：1012–1023.

[16] 耿秀麗，楊珍.基于灰色關聯預測與信任云混合算法的方案推薦 [J].計算機集成制造系統，2020，26（4）：980-988.

[17] 馬祖軍.基于遺傳算法的供應鏈聯盟伙伴選擇 [J].系統工程理論與實踐，2003（9）：81-84.

[18] 曾日波.Matlab遺傳算法工具箱的應用 [J].兵工自動化，2005（6）：115-116.

[19] 劉衛寧，劉波，孫棣華.面向多任務的制造云服務組合 [J].計算機集成制造系統，2013，19（1）：199-209.

作者簡介：鄧國華（1984—），男，漢族，湖北武漢人，副教授，碩士研究生導師，主要研究方向：云服務管理、系統建模與仿真；丁海旭（2000—），男，漢族，湖北武漢人，碩士研究生，主要研究方向：管理系統工程；陳冬林（1970—），男，漢族，湖北安陸人，教授，博士研究生導師，主要研究方向：云計算和大數據、電子商務。

收稿日期：2023-08-07

基金項目：國家自然科學基金項目（72171102）；湖北省教育廳哲學社會科學研究項目（19G028）；江漢大學湖北省重點學科（管理科學與工程）開放性項目（ZDXK202019）；江漢大學高層次人才科研啟動經費（2018-12）

Two-Stage Cloud Service Composition Optimization Algorithm and

its Application Research

DENG Guohua1，2， DING Haixu1， CHEN Donglin3

（1.School of Business， Jianghan University， Wuhan 430056， China; 2.Wuhan Urban Circle Manufacturing Development Research Center， Jianghan University， Wuhan 430056， China; 3.School of Economics， Wuhan University of Technology， Wuhan 430070， China）

Abstract： Aiming at the problem of providing customers with the optimal composite cloud services quickly and effectively in the current cloud service market， this paper proposes， a two-stage cloud service composition and optimization algorithm which contains gray correlation and Adaptive Genetic Algorithm. Firstly， according to the user's cloud service requirements， cloud services are screened by grey correlation analysis to form a candidate set of cloud services. Secondly， it constructs a multi-objective decision-making model of the shortest time， the minimum cost and the best availability， interoperability， scalability and satisfaction. It uses an Adaptive Genetic Algorithm to solve the model to determine the optimal cloud service composition scheme. Finally， an example is given to prove the rationality and scientificity of the algorithm in solving the optimal cloud service composition.

Keywords： cloud service composition; grey relation analysis; improved Genetic Algorithm; multi-objective decision-making