随着信息技术和IP网络的快速发展,网络规模呈指数式增长,IP网络已经发展为一种异构的、开放的、复杂的网络。网络流量呈现出新的特征：时空相关性、自相似性、长短相关性、重尾分布等。由于IP网络的复杂性、异构性等,使得获得IP网络中的流量矩阵非常困难,而且直接测量流量矩阵是不可行的,所以利用链路流量数据对流量矩阵进行估计成为当前研究的热点问题之一。由于流量矩阵估计本身是一个高度欠定问题,为了克服流量矩阵估计的病态特性,本文提出了基于遗传算法的流量矩阵估计算法,利用遗传算法进行自适应的全局搜索,解决了流量矩阵估计中的病态性、时空相关性等一系列问题。算法把大尺度IP流量矩阵本身所满足的约束条件和遗传算法的特性,作为条件来获得流量矩阵估计的全局最优解,使得算法在优化过程快速收敛,大大提高了运算速度。并把真实的网络数据作为遗传算法运算的初始值,最终通过遗传算法获得大尺度IP网流量矩阵的精确估计。针对流量矩阵估计的高度病态特性及时空相关性等存在的问题,提出了基于主成分分析算法和可分解的主成分分析算法的流量矩阵估计算法,用主成分分析法降维,缩小了解空间的范围,将高度欠定问题转化为适定问题,降低了流量矩阵估计的病态性。可分解的主成分分析法,利用可分解的图形化模型的先验信息来分散计算量,将估计问题重定义为求系数协方差矩阵,并利用每个图解模型子集中的局部特征值来求得全局特征值。采用Abilene网络数据进行验证,结果表明两算法都能准确估计大尺度IP流量矩阵。针对遗传算法对初始值非常敏感,而主成分分析法自适应性差等问题,提出一种基于遗传算法和主成分分析算法的混合算法的流量矩阵估计算法。混合算法主要由两部分的运算组成,首先利用主成分分析法求出主成分,然后把求得的主成分作为初始值输入到遗传算法中进行遗传运算。仿真结果表明混合算法能准确的估计大尺度IP流量矩阵。