当前，随着网络技术的发展，电信网、有线电视网和计算机互联网等各种网络正趋向于相互渗透和相互融合，“三网合一”已成为国际化的大趋势。IP网络，作为“三网合一”的统一网络平台，不仅要提供“尽力而为”的数据应用，还必须能提供具有服务质量(QualityofService，QoS)保证的实时业务。因此，如何保证IP网络中的QoS逐渐成为人们关注的焦点。而研究QoS路由算法对IP网络提供QoS保证具有重要的意义。 　　QoS路由算法的难点主要表现在：QoS路由算法通常受到多个QoS度量的约束，而多个QoS度量约束的QoS路由问题是NP完全问题；将来的网络需要同时提供QoS和“尽力而为”业务，这使得问题变得更复杂；每个节点获得的状态信息总是具有一定的不准确性，这些不准确性在一定程度上影响了QoS路由算法的有效性。 　　近年来，基于神经网络，遗传算法，粒子群优化和蚁群优化等算法的智能技术已成为人工智能，专家系统等领域的主要技术。由于它们在处理大规模非确定参数的复杂系统等方面表现出巨大的潜力，因而引起了国内外学者的广泛的关注。而将这些算法适当地结合起来，将使它们变得更有效和实用。 本文针对QoS路由的难点，结合智能技术的方法对QoS路由问题进行了研究，神经网络与遗传算法相结合算法；该算法借鉴了神经网络中BP网络的学习算法。在遗传算法的每一次迭代结束后，进行BP算法处理，将每一代中最好个体和其他各个个体进行比较，以此来指导BP算法。在遗传算法加入BP神经网络算法加速了收敛速度，能有效地跳出局部最优解，避免早熟现象，提出的算法能更快找到可行路由。由于采用了易于扩展的数学模型，该算法具有很好的扩展性，能扩展到多个QoS度量约束的单播和组播路由问题。 　　混沌优化与遗传算法相结合算法；该算法利用混沌变量的遍历性、随机性、规律性等特点进行优化搜索，将混沌优化与遗传算法相结合。从而加速了收敛速度，能有效地跳出局部最优解，避免早熟现象。算法中，节点序列的编码机制简化了交叉和变异的操作；自适应的变异操作既保持了群体的多样性，又能避免过多的变异导致的局部收敛和早熟；算法能扩展到多个QoS约束的情况。与基于神经网络遗传算法的QoS路由算法相比，本算法得到的解质量优于前者，算法适用于对QoS度量要求严格的情况下。 　　粒子群优化算法；在分析粒子群优化算法原理的基础上，本文首次将粒子群优化算法应用于求解QoS路由问题。算法有如下特点，引入插入算子，删除算子，算子系列和基本算子序列等概念，并在此基础上对基本的粒子群优化算法进行改进；分析基本粒子群易于陷入停滞的现象，采用阶段变异的机制，使算法跳出局部最优解的限制；提出用源节点到各目标节点的节点系列进行组播路由编码的方案，并构造了由网络节点排列组合构成的离散多维搜索空间。算法在求解QoS组播路由问题上的应用是可行的，在大规模网络中，寻优速度上优于基于遗传算法的其他算法；阶段变异操作的引入，增加了解的多样化，使算法能跳出停滞阶段并加速算法的收敛。该算法适合于收敛速度要求较高而对收敛精度要求不是很高的情况。 　　智能路由蚁群优化算法；对网络状态动态变化的问题，提出了一种基于蚁群网络(Antnet)的蚁群优化分布式QoS路由算法。算法的主要特点是采用了动态更新的概率表替代传统的路由表；采用了智能的初始化方法；采用了一种新颖的信息素更新机制；采用一种新的节点选择机制，引入蚂蚁相遇机制。与标准的AntNet相比，本算法具有更快的收敛速度和较好的吞吐能力。另外，算法同时考虑了满足QoS度量和负载平衡等问题。