تعادل بار یک جنبه مهم در زمینه رایانش ابری برای افزایش توزیع بار کاری و استفاده کارآمد از منابع است که در عوض زمان پاسخ کلی سیستم را کاهش می‌دهد. رویکردها و الگوریتم‌های زیادی برای حل مسائل مربوط به تعادل بار مانند: زمان‌بندی وظایف، مهاجرت، استفاده از منابع و غیره پیشنهاد شده‌اند. در این پژوهش چندین رویکرد مرتبط با چالش حیاتی در رایانش ابری که متعادل‌سازی بار است، ارائه کرد. مشکلات مربوط به تعادل بار از طریق تحلیل مقایسه‌ای الگوریتم‌های پیشنهادی توسط محققان در شش سال گذشته مورد بحث قرار گرفت. چندین رویکرد پیشنهاد شد، با این حال، هنوز برخی از مسائل در محیط ابری وجود دارد، مانند مهاجرت ماشین‌های مجازی، مسائل مربوط به تحمل خطا که هنوز به طور کامل برطرف نشده است. در این پژوهش یک مدل بهبود طبقه‌بندی ماشین‌های مجازی برای ایجاد تعادل بار کاری در برنامه‌های رایانش ابری با استفاده از شبکه‌های عصبی عمیق و الگوریتم تکاملی علف هرز ارائه می شود. در واقع هدف اصلی پژوهش استفاده بهینه از منابع محاسباتی در محیط ابری است که الگوریتم‌های زمان بندی نقش مهمی در فرآیند بهینه سازی دارند. در واقع موضوع پیشنهادی در شاخه یادگیری ماشین و طبقه‌بندی ماشین‌های مجازی برای ایجاد تعادل باردر رایانش ابر است. در شبیه سازی روش پیشنهادی نیز در ارزیابی مقایسه روش پیشنهادی و روش پایه از نظر صحت تخصیص ها روش پیشنهادی به نسبت روش پایه مقدار 6.6 درصد بهبود از خود به ثبت رسانده است.