رایانش ابري، امکان دسترسی به محدوده وسیعی از منابع مجازي شده (سختافزار، نرمافزار، سرویسها و...) را فراهم میآورد که این منابع میتوانند به صورت پویا و با حجم متغیر، بهکاربران خود سرویسدهند، یعنی هر کاربر به اندازهاي که از آن منابع نیاز دارد، از آن استفاده میکند که این کار به استفاده بهینه از منابع منجر میشود. تأمین خودکار منابع برای برنامههای کاربردی چندلایه در محیطهای ابری، چالشهای جدیدی را در زمینه تعادل پویا و یا تخصیص منابع مطرح میکند که در تامین برنامههای تک لایه شاهد آن نبودهایم. سازوکارهای انعطافپذیر و عموماً خودکار نیاز به تعیین مقدار منابع مجازی مورد نیاز برای به حداقل رساندن مصرف منابع و برآورده کردن توافقنامه سطح کیفی خدمات دارند. در این مقاله، به ارائه رویکردی بهبود یافته برای تامین خودکار منابع برای برنامههای کاربردی چندلایه پرداختهایم، رویکرد ارائه شده دارای سه مرحله پایش، تحلیل و اجراست که در مرحله تحلیل از سيستم استنتاج عصبی-فازي تطبیق پذیر استفاده میشود. این سيستم از قدرت آموزش شبکه عصبی و مزیت زبانی سیستمهای فازی به منظور تحلیل فرآیندهای پیچیده به صورت بسیار قدرتمند عمل میکند. سپس رویکرد پیشنهادی را تحت بارهای کاری واقعی و مصنوعی با دو روش ADRP_Fuzzy و ADRP_AL مورد ارزیابی و مقایسه قرار دادیم. نتایج بهدست آمده نشان میدهد که رویکرد پیشنهادی موجب کاهش زمان پاسخگویی به میزان 2.3 درصد و افزایش بهرهوری به میزان 1.9 درصد میگردد.