面向Web应用的云资源自适应配置问题是一类重要的云平台资源管理问题,广泛存在于云供应商的服务场景。随着云规模的日益扩大,云资源有效地自适应配置将显著提高云服务提供商的经济效益,而其中能源消耗越来越成为云服务提供商成本考虑重要问题。此外云资源自适应配置问题中涉及到的虚拟机供应、物理映射方案又是NP难问题,所以以最小能源消耗作为优化目标,整合整个云资源自适应配置机制,寻找有效的面向Web云资源自适应配置算法具有很重要的理论意义和实际应用价值。本文对云资源自适应配置问题进行了描述和分析,针对Web请求的特点,构建云资源自适应配置的数学模型,并在请求量预测、虚拟机供应、虚拟机物理映射阶段分别提出了相应算法:第一个请求量预测阶段,我们用移动时间窗提取特征,基于模糊聚类,提出了改进的BP神经网络算法进行请求量负载预测;第二个虚拟资源供应策略阶段,以虚拟机为资源最小配置单位,利用第一阶段预测求得的负载和虚拟机状态信息,提出强化学习SAQ-learning算法,求出最佳的虚拟机供应策略;第三个虚拟机物理映射阶段,根据剩余空间的各类资源比例,提出剩余空间资源余弦相似度的衡量方法,并基于最佳适应算法提出了最佳平衡适应的启发式方法,从云服务提供商的角度最小化能源消耗。为验证所提出的算法的有效性,我们通过仿真实验和方差分析技术进行参数测定、算法模块分析,通过生成不同规模测试数据集比较所提出算法和目前解决相似问题通用的算法。实验结果表明所提出的算法在性能上显著优于所比较的算法。