面向服务计算正成为新一代计算的核心，Web服务技术与之紧密相关联。轻量级的Web服务很难满足复杂业务的需求，Web服务组合作为Web服务的一项重要的增值功能得到了广泛关注。Web服务组合是将多个Web服务组合成大粒度流程服务的过程，由于服务提供者服务能力的差异，结合异构网络的特点，需要定义对Web服务的非功能性属性的全局限制。QoS是Web服务众多非功能属性的体现，QoS参数可以从多方面反映异构网络的特点，包括计算能力，网络状况和网络能力的差异性。面对众多功能相似的服务，如何根据Web服务的服务质量选择一组满足全局约束的最优的服务路径，是服务组合问题的关键。　　 保证QoS约束的Web服务组合问题是一个多目标多选择问题，利用数学工具可以抽象为类似多维0-1背包的数学模型，目前，解决这类问题比较核心的方法LIP被广泛使用，虽然LIP是一个良好的优化算法，但是LIP的计算时间随着问题实体数目的生长而成指数增长。已经存在的启发式算法，如人工神经网络算法，蚁群算法，遗传算法等，都有非常鲜明的缺点。本文根据现有的工作的思想，设计一种轻量级、协同计算的启发式算法，以降低算法时间复杂度，加快收敛速度，更加适用于真实的异构网络环境。　　 本文设计的启发式算法分为两个阶段，首先利用遗传算法对待求解问题解空间的快速学习的特点，设计遗传算子和制定算法敏感参数，控制算法的收敛速度，得到待求解问题的一组可行解，并将其转化为蚁群系统的节点的初始信息素分布；然后利用蚁群系统的分布式计算、自组织和正反馈等系统学特性优化服务组合问题，期望获得一组全局最优解。这两个算法实现优势互补，具有良好的优化性能。　　 文中设计了两个阶段算法的仿真实验，通过实验结果的分析，验证了算法具有可行性和高度的有效性。