快速增长的互联网消费群体使网络数据呈现爆炸式增长,网络的规模在不断地扩大,网络的拓扑结构也变得日益复杂。同时,消费者对于网络响应的实时性要求在不断提高,这要求系统进行路由选择时能够提供一种快速计算节点之间最短路径算法;计算机网络中同一时间会存在大量的网络请求业务,为了防止网络链路出现负载过重甚至网络拥塞的情况,要求系统能够提供一个优良的全网优化算法对业务进行合理的分配,提高网络资源的整体利用率。本文从最短路径选取与全网优化两个方向入手,在最短路径算法方面提出了改进的ALT算法;在全网链路负载优化方面提出了改进的灰狼优化算法,最后将改进的ALT算法和灰狼优化算法应用在系统中。本文研究的内容主要如下:1.针对ALT算法寻路效率不高的问题,提出一种改进算法ABT算法,对距离预估函数进行了改进,在骨干节点的选取策略上提出一种基于贪心策略的骨干节点选取算法CGBS算法。通过实验证明,ABT算法在线寻路阶段的性能要明显优于ALT算法,适应于大规模网络。2.针对灰狼优化算法收敛精度不高、容易陷入局部极值等问题,提出一种基于精英反向学习策略和个体历史最优位置策略的改进灰狼优化算法。它的主要思想是:在当前寻优解集的基础上,根据精英反向学习策略寻找对应的反向精英解,丰富种群的多样性;为了真实地反映出算法在工程应用中的收敛过程,采用一种基于余弦函数自适应变化的收敛因子;借鉴粒子群算法的基本思想,将灰狼个体在历史中的最优位置融合到算法中。通过实验验证了算法的高效性,并将算法应用到网络负载优化模型中。3.基于改进的ALT算法以及灰狼优化算法设计并实现了网络链路选取与优化系统,并详细介绍了每个模块的设计思路与实现过程。系统可以实时监控链路和业务的情况。最后,本文进行了选路和负载均衡测试,测试检验系统的有效性。