互联网的发展在给人们的生活带来便利的同时,也给网络性能监测带来了极大的挑战。网络测量是对网络环境中的性能指标进行测量,主要包括时延、丢包、带宽等。分布式网络测量系统通过在网络节点中部署测量探针执行测量任务,可以实现对待测网络的性能监测。在小规模网络环境中,将所有网络节点作为测量探针下发测量任务,能实现对待测网络的全链路监测,较全面的评估待测网络性能;在大规模复杂网络环境中,实现全链路监测带来的流量损耗和软硬件资源消耗不能忽视,过多的测量任务甚至会造成待测网络的阻塞。因此,如何降低测量任务对待测网络的资源占用是网络测量中研究的重要问题。为解决这类问题,可以从两个方面进行优化:一个是对测量算法进行改进,降低执行测量任务带来的软硬件资源消耗和流量负载,另一个是优化测量节点的选取方案,通过对较少节点部署探针进行测量,实现对整个网络的性能监测。为解决网络测量节点选取中对节点平均负载、节点个数和网络覆盖率的组合优化问题,本文提出了一种测量节点的选取方案。通过在待测网络中的关键节点部署测量探针,执行测量任务收集网络参数,反映出整个待测网络的网络性能,达到降低网络测量任务执行过程中产生的计算资源、流量损耗的目的。本文通过使用启发式算法中的蚁群算法和遗传算法,结合测量节点选取的应用场景,设计并实现了测量节点自动选取算法,并在基本蚁群算法和遗传算法中加入了多种局部最优解避免策略,优化了算法对全局最优解的搜索能力。为提高选点算法的执行效率,本文设计并实现了基于消息传递模型的选点算法并行化框架。实验表明,基于蚁群、遗传算法的选点算法的选点结果在节点平均负载、节点个数等方面都优于传统选点算法;并行化选点算法在处理大规模网络选点问题时,算法执行效率相比非并行算法有了显著提升。本文首先分析了测量节点选取问题的数学模型和现阶段常用算法,然后结合选点场景对基本蚁群算法、遗传算法的主要模块进行设计和优化,实现了基于蚁群算法和遗传算法的选点算法并进行了实验分析。通过研究多种并行化方案设计并实现了用于选点算法并行化的框架,最后通过选点实验和函数极值求解实验对并行选点算法和非并行选点算法进行了对比,总结了不同算法在选点效果和执行效率上的差异。