云计算资源负载预测是云计算系统中不可缺失的一个重要功能模块,它对未来时间段的相关预测值,是能否有效地规划和运行云计算系统的关键。随着云计算数据海量倍增和复杂多变,传统的线性预测模型已经不能对非线性变化的云计算资源进行有效的预测。虽然,神经网络适用于非线性时间序列的预测,但是由于其采用梯度下降法来计算阈值和权值,这导致神经网络容易陷入局部最优解,降低预测精度。尽管学者们在神经网络中引入了粒子群算法等进行优化,但是由于这类群智能算法自身的不足,影响了预测模型的性能。同时,传统分析训练数据集的方法,不能有效的解析负载序列的变化特点,影响了预测的精确度。本文提出一种由小波包变换、正余混沌双弦鲸鱼优化算法和多层感知器神经组成的云计算资源负载预测模型,弥补现有预测模型的不足。首先,该预测模型会使用小波包分解需要预测的云计算资源负载序列,从各个频段的分析中,掌握资源负载在各个时间点内的波动情况,便于神经网络能够更精准地预测未来相关时间段内资源负载变化情况。接着,针对基本鲸鱼优化算法收敛速度慢和容易早熟的不足,将信息交流强化机制和正余混沌双弦机制引入鲸鱼算法中,提出一种正余混沌双弦鲸鱼优化算法。通过信息交流强化机制,强化人工鲸鱼种群的信息交流,避免种群个体陷入局部最优。而正余混沌双弦机制能够减少寻优盲点,加快收敛速度。改进后的鲸鱼算法为优化MLP神经网络,提升云计算资源负载预测模型的性能,奠定基础。最后,使用改进鲸鱼算法优化的多层感知器神经网络,计算各个训练样本集的子序列预测值,并将它们进行加法变换处理,获得归一化的预测结果。本文仿真实验在Matlab软件平台下进行,利用广东省某运营商实测的云计算资源负载数据分别进行预测。本文会设置多组实验组,分别对不同模型进行对比分析。通过实验,可得到结论:(1)小波包分解能有效地提取出不同频段的子序列,从而提高预测精度;(2)正余混沌双弦鲸鱼优化算法能很好地改善多层感知器神经网络的预测能力;(3)跟其他预测模型相比,本文方法取得更好的预测效果。