随着网络规模和复杂度的增加，越来越多的网络用户根据自己的性能优化目标进行独立的流量控制而不考虑网络的整体性能，形成了对网络资源的非合作竞争局面。同时，面对动态变化的网络环境，传统的流量管理和拥塞控制机制已经不能适应这种动态网络中对资源的非合作竞争局面，导致网络经常发生拥塞甚至崩溃现象。针对这种现状，本论文利用进化博弈理论、进化学习机制、测量等方法，研究和设计适合于动态非合作网络环境的流量管理以及拥塞控制机制，实现分布式、可扩展、具有自适应能力的智能化网络拥塞控制机制。我们研究和设计了适合于动态非合作网络环境的端到端流量控制算法、主动队列管理算法、队列调度算法、以及带有计价机制的拥塞控制框架，以获得更好的网络性能，使网络资源得到更加有效的利用。创新之处和研究成果如下： 1.提出了TCP算法的进化博弈理论模型。使用该模型对TCPReno/Vegas算法进行了描述、仿真和比较。从一个新的角度揭示了流量控制算法的深层含义。 2.从进化博弈理论的角度，提出了基于进化策略的端到端流量控制算法。该算法采用比TCP算法更多的控制策略，控制更灵活更智能，控制范围更大。 3.使用激励—响应学习模型设计了一种新的主动队列管理算法。该算法具有在复杂网络下的自适应能力，实现简单，具有低队列长度和低丢包率性能。 4.在队列输出带宽和网络负载动态可变的情况下，对两种非自适应AQM算法和四种自适应AQM算法的性能进行了评估。 5.设计了一种基于输入速率和突发度测量的主动队列管理算法。该算法能够有效地适应多种网络环境和业务环境特性，具有低队长、低丢包、响应性和适应性好、能够有效吸收突发数据等优点。另外，对该算法进行了扩展，在算法中加入了测量可用输出带宽的过程，使之不仅能够适应输入业务特性，还能够适应队列输出带宽动态变化的网络环境。 6.提出了一种新的公平队列调度算法。引入惩罚机制，鼓励用户使用合理的端到端流量控制机制。能实现相对业务分级并提供一定的服务质量保证。 7.使用激励—响应模型和进化博弈理论设计了带计价机制的主动队列管理算法和价格敏感的端到端流量控制算法(它们组成了我们的网络拥塞控制框架)。当这两种算法协同使用时，可以得到很好的拥塞控制效果和网络性能。