随着互联网产业的快速繁荣,用户对网络环境的要求也越来越高。网络设备不断地更新换代,种类愈加多样,功能也逐渐全面。传统的网络设备部署在网络中的特定位置,网络功能和网络设备牢牢地绑定在一起。每当出现新的网络功能需求时,就需要开发新的专用硬件设备,这需要消耗大量的资金成本和运营成本用于增加和维护新的通信服务。网络功能虚拟化作为一种新兴的技术,其基本思想是对专用网络设备进行软件与硬件的解耦,将网络功能与网络设备分离。通过虚拟化技术,网络功能被部署在虚拟平台,而虚拟平台则运行在通用物理资源上。其中,如何将虚拟的网络功能映射到物理资源中,从而为用户提供可靠的网络服务,是一个关键问题,一般称之为虚拟网络功能放置问题(Virtual Network Function Placement,简称VNF-P)。VNF-P问题是组合优化问题的一种,同时也是一个NP-hard问题。进化算法作为一类从生物进化中取得灵感的算法,具有很强的搜索解的能力,在解决组合优化问题上有着天然的优势。本文采用进化算法解决VNF-P问题,具体分为以下三个方面:1)针对静态网络场景下的VNF-P问题,本文提出了一种改进的种群增量学习算法来解决。该算法采用整数编码方式,准确地表示了该问题的解决方案,有利于种群的进化。精英保存策略为种群进化指明了方向,在精英解的指引下,算法可以向拥有更多高质量解的区域搜索。通过与遗传算法,蚁群算法,以及原始的种群增量学习算法的实验对比表明,本文提出的算法稳定性强,效果出色。2)对于动态场景下的VNF-P问题,本文构建了一个动态模型。该模型采用泊松分布来模拟真实场景下用户请求的到达情况,并对网络中物理资源的分配与释放进行了动态变化。对该模型,本文采用静态场景下效果优秀的改进的种群增量学习算法进行仿真实验。相对于遗传算法,蚁群算法和原始的种群增量学习算法这几种进化算法,以及逐步搜索,贪婪分配和多状态图这几种启发式算法,该算法在处理多个请求时能达到最高的成功率。3)针对以负载均衡和时延为优化目标的多目标VNF-P问题,本文提出了一种改进的多目标种群增量学习算法来解决。该算法以整数编码,采用了局部搜索和全局搜索策略。局部搜索策略发掘优秀个体的邻域,进一步提高解的质量。全局搜索策略使算法跳出固有的搜索区域,从而发现更多未知区域解。该算法根据概率公式选择对应的搜索策略,权衡了二者的使用。在多个场景的仿真实验表明,本文提出的算法评价指标优秀,能为解决多目标VNF-P问题提供更好的解决方案。