云计算是一种新型的互联网服务模式,能够将共享的软硬件资源、信息等以服务的形式按需提供给用户和其他设备,可以很好地实现一体化联合作战对军事信息资源灵活构建、高度融合的要求。随着云计算模式的进一步推广,网络上的云服务数量呈爆炸式增长,如何选取满足用户需求和推荐符合用户偏好的服务,是当前云计算领域的研究热点。本文在深入分析云服务特征的基础上,重点研究当前服务选取与推荐技术中存在的动态多约束性、准确性和多样性问题,以提高用户的满意度。主要内容及贡献如下:1.为了解决云环境下服务QoS的不确定性及QoS属性权重确定不合理问题,提出基于动态QoS和主客观赋权的服务选取方法。建立区间QoS模型来表示服务QoS的动态性和用户QoS需求的模糊性,在此基础上利用逼近理想点的多属性决策方法求解QoS属性客观权重,并结合用户的主观偏好序列计算QoS属性综合权重,兼顾了客观QoS和主观偏好,有效提高了服务选取的准确性。2.针对当前云环境下组合服务选取实时性不强、且忽略服务间功能性约束的问题,提出基于全局QoS分解的多约束服务选取方法。通过引入质量标尺和信念空间的学习机制来改进文化遗传算法,实现对全局Qo S约束的最优分解;结合功能性约束和QoS约束对候选服务进行双层过滤,大大缩小了算法的寻优规模,使算法能够快速选取出接近全局最优的组合服务,较好地满足了用户的实时性需求。3.针对云环境下用户信任关系稀疏及推荐的服务不完全符合用户偏好等问题,提出基于信任扩展和列表级排序学习的服务推荐方法。引入服务排序信息,采用概率分布模型来计算用户相似度,相比传统算法更加准确;通过信任扩展模型充分挖掘用户间的信任关系,并结合用户相似度构建可信邻居集合,以抵抗用户恶意评价;基于列表级排序学习算法训练最优的排序模型,实现准确推荐符合用户偏好的服务。4.针对云环境下用户偏好信息稀疏及推荐服务缺乏多样性等问题,提出基于随机游走和多样性图排序的服务推荐方法。通过在用户网络上进行多次随机游走来寻找更多的相似用户,克服用户偏好数据稀疏性问题;构建服务图模型,将服务推荐问题转化为寻找最优节点集合,并引入图论中的多样性排序算法来平衡推荐结果的准确性和多样性,较好地实现了个性化服务推荐。