工程领域中常见的多目标、多约束、非线性优化问题一般属于NP完全问题，难以用传统的最优化技术求解。例如：基于QoS约束的组播路由问题，AdHoc网络中基于拓扑结构的功率控制问题等。近年来，一些模拟或揭示某些自然现象或过程的智能算法相继出现(如遗传算法、蚁群算法等)，这些方法已在NP完全问题的求解和实际工程应用中显示出强大的生命力，吸引了众多研究者的目光，并取得了令人注目的研究成果。本论文从算法的理论分析、并行实现、智能融合等方面进行了探讨，并将研究成果应用于网络优化的实际问题中，解决基于多个不相关可加性度量的QoS组播路由问题以及AdHoc网络中的功率控制问题。 本文对蚁群算法的参数设定进行了实验分析，指出在蚁群算法的求解过程中，参数是影响算法求解性能和效率的关键因素，而且蚁群算法中各参数的作用是紧密耦合的，研究其参数的最佳组合配置有着很重要的意义。基于此，本文提出将蚁群算法和遗传算法相融合的改进策略，应用遗传算法对蚁群算法的四个控制参数(α、β、p、q0)进行优化，为参数的选择提供依据。然后将遗传蚁群算法用于求解包含延迟、延迟抖动、带宽、丢包率和代价等约束条件在内的QoS组播路由问题，取得了较好的应用效果。 随着计算机技术的发展，遗传算法越来越得到人们的重视，但遗传算法在实际应用中，往往出现早熟收敛和收敛性能差等缺点。本文从算法的理论分析、并行实现、智能融合、应用领域等方面对遗传算法提出改进策略。 在智能融合方面，本文将量子计算和遗传算法进行融合。将量子的态矢量引入遗传编码，使融合算法比常规遗传算法拥有更好的多样性特征；自适应地进行量子旋转门的调整，以加快收敛速度，避免早熟收敛，仿真实验验证了算法的有效性。在理论分析方面，本文证明了量子遗传算法的收敛性。在应用领域方面，本文提出了一种基于多宇宙量子遗传算法的QoS组播路由算法，并且采用动态旋转角调整策略以提高算法的性能。仿真实验结果表明：采用动态旋转角调整策略的多宇宙量子遗传算法可以获得比采用遗传算法和采用静态旋转角的量子遗传算法更好的效果，算法效率更高。在并行实现方面，通过对遗传算法的四种并行模型进行深入研究，本文基于粗粒度模型提出了分布式并行量子遗传算法，并将其应用于求解QoS组播优化问题，取得了令人满意的优化效果。 AdHoc网络中基于拓扑结构的功率控制是在考虑多个约束的条件下，保证全网连通并且尽量降低节点的发射功率。本文设计了一个功率控制模型，该模型采用基于拓扑结构的功率控制机制，跨越MAC层、网络层和应用层。在应用层利用遗传算法来进行功率控制的计算，求解多约束条件下的NP完全问题，并通过网络层和MAC层的接口对功率进行调节。仿真实验结果表明基于遗传算法的AdHoc功率控制可以节省节点的能量，提高网络的吞吐量，延长网络的生存寿命。