近年来,计算机的处理模型随着快速发展的信息技术一同经历了巨大的技术变革。从初期的大型处理机统一执行任务的模式,转变为通过分布式系统执行任务的模式,最后发展为现在的云计算模式。在最初的单个处理机模式阶段,由于其处理能力有限,任务等待时间较长,从而导致效率的低下。随着网络技术的发展,服务器开始以集群的方式提供服务,但由于集群按照高负载配置时,若遇到低负载的情况,则会有资源的闲置和浪费,从而导致云代理商的运维成本提高。而云计算的服务模式是把网络上的服务资源虚拟化,用户不必关心服务的具体实现,所有服务资源都有专门的人员负责,包括资源管理、资源维护、资源调度等工作。所以云计算的服务模式的本质就是希望可以提供给用户一种类似水力和电力这样的基础性服务,用户可以有选择性的使用不同的计算服务并支付一定费用。此外,云计算的设计目的是使用户通过网络能够在任意时间、地点都能最大限度地使用虚拟机资源。因此,云计算相关领域的问题与技术应用成为了企业与学术界的研究热点,并展现出迅猛发展的形势。一方面,由于受到主机的启动时间、资源分配时间以及任务调度时间等因素的影响,在云环境下提供给用户的服务存在时延问题。因此,工作负载预测是云环境下一种重要的能源优化的方式。此外,由于云中工作负载的变化具有十分大的波动性,因此增加了预测模型的预测难度。本文提出一种基于自回归模型和Elman神经网络的预测模型(Hybrid Auto Regressive Moving Average model and Elman neural network,HARMA-E),使用ARMA模型进行预测,再使用ENN模型对ARMA模型的误差进行预测,通过修正ARMA的输出值得到最终的预测值。仿真实验结果表明,该预测模型能够较好的提升主机负载预测值的准确度。另一方面,实现负载均衡也是提高虚拟机资源利用率和服务质量(QoS)的一个重要途径。目前,多数负载均衡算法都以虚拟机的CPU、内存、磁盘等资源的利用率作为优化目标,而未考虑虚拟机上总任务执行时长不均衡导致任务总完成时间增加的问题。本文提出了一种结合随机森林分类器的多目标粒子群优化算法(Particle Swarm Optimization with Random Forest,PSORF),该算法不仅均衡了虚拟机的CPU和内存的利用率,也将虚拟机上总的任务执行时长作为优化目标,以达到均衡虚拟机资源利用率,同时减少任务总完成时间的目的。仿真实验结果表明,PSORF能够较好的优化虚拟机的负载均衡问题。