网络编码是一种新颖的网络传输技术，最早于2000年，由香港中文大学的Ahlswede等人首次提出。与传统路由组播方式只允许中间节点转发接收信息不同，网络编码理论允许中间节点对接收到的信息进行编码处理，再转发出去，信宿节点通过解码运算译出信源发出的信息。网络编码可以实现由最大流最小割定理所决定的组播网络的理论信息流传输容量。网络编码具有提高网络吞吐量、鲁棒性等优点，已经被广泛应用于无线Ad Hoc网络、传感器网络、P2P内容分发、分布式文件存储和网络安全等领域，其研究结合了信息论、计算机通信网络、组播技术、多用户信息论和图论等多方面的知识。自网络编码理论提出以来，关于网络编码理论及其应用的研究已经成为网络信息界的热点之一。网络编码理论在充分利用网络理论组播速率的同时，也带来了相应的开销，如中间节点进行编码处理带来的计算开销和存储开销，信宿节点进行解码计算引入的时延，编码节点需要具有编码能力的网络硬件设备等。如何在应用网络编码技术充分利用网络传输能力的同时，尽可能的减少时延和各种开销，是网络编码在实际应用中所要解决的重要问题。在本文我们主要做了以下2个方面的工作：1.针对应用于大规模网络环境中的随机线性网络编码算法的编解码吞吐率较低的情况，结合GPU高度并行的特性，本文提出了一种基于GPU并行加速的线性网络编码算法，该并行算法程序主要借助了英伟达于2007年6月推出的基于GPU的通用计算模型：CUDA统一架构，将实现过程转化成CUDA多线程的并行计算过程，在GPU中实现了加速，提高了编码和解码的吞吐率，减少了编码和解码操作带来的计算时延，有利于网络编码在流媒体服务等实时网络中的应用。2.对于已知拓扑结构的网络，本文研究了其网络编码资源开销优化问题，即寻找具有最小编码节点或编码链路的编码方案，以及代数型网络编码框架下的编码优化模型，并对应用于编码优化中的启发式-遗传算法进行了分析和研究，该算法产生一个优化结果往往需要几个小时，且难以得到最优解，针对以上情况，本文提出了一种基于GPU并行加速的遗传算法的解决方案，并在算法中加入了新的处理步骤，不仅减少了遗传算法每次循环所需要的时间，而且解决了算法的局部性问题和收敛速度较慢的问题。然后通过仿真实验和结果分析，从算法的有效性，收敛性能，运行时间等方面进行了验证。最后，对本文的研究工作进行了总结，并指出了本文的不足以及下一步的研究内容和方向。