组播是互联网研究的重要课题,由于IP组播在传输技术和管理上存在严重问题,目前没有在互联网中普遍采用。应用层组播(Application Layer Multicasting, ALM)作为一种替代技术出现并逐渐进入实际应用。在一些点对多点的应用,如视频会议、远程教育、在线广播、视频直播等应用中。常见的网络应用都是基于单播方式实现的,但是无法应对上述一些点对多点的场景。应用层组播避开网络层,在应用层实现了组播功能,在实际部署中具有很大的优势。在应用层组播研究中,组播树的构建是一类比较重要的研究课题。由于数据到达组播组之后,需要建立相应的拓扑网络来实现数据在组内的传递,因此组播树的构建对整个组播组的性能影响十分大。通过对组播树构建过程中可能产生影响的因素进行分析,采取度约束最小生成树作为组播树的拓扑结构,并将影响网络性能的因素加入优化约束条件。由于度约束最小生成树是一类NP-hard问题,无法在多项式时间内求解,人们普遍采用一系列优化逼近算法来求最优解。一类解决度约束最小生成树构建问题的方法是基于智能算法的。通过对基于智能算法的度约束最小生成树方法的广泛研究,提出了基于遗传算法的度约束最小生成树构建算法(GA based DCMST, GA-DCMST)和基于粒子群和分布估计算法的度约束最小生成树构建算法(PSO and EDA based DCMST, PE-DCMST),并通过实验仿真证明了算法的可行性。基于遗传算法的度约束最小生成树构建算法通过模拟自然界的进化理论进行全局最优解的求解。算法经过编码、构建种群、选择、交叉、变异等操作,并设定合理的终止条件将度约束最小生成树问题中的拓扑图转化为染色体,通过多次交叉变异来求解最优解。该算法在全局范围内求解最优解,具有收敛速度快,收敛效率高,可扩展性强以及并行性好的特点。基于粒子群和分布估计算法的度约束最小生成树构建算法结合了粒子群算法的收敛速度快、全局最优的特点,并引入了分布估计概率模型作为评估最优位置的方法。粒子群算法的概念基于鸟群的觅食行为,将所求的最优向量作为空间中的一个粒子,然后通过粒子的随机移动和对新位置的适应度来评价新位置的合理性,并经过一定次数的移动之后达到稳定,这一稳定状态就是一个最优的解。算法结合粒子群算法将问题向量转化为粒子的空间位置,每次迭代之后使用分布估计方法构建概率模型,评估粒子的移动趋势,并引导下一代粒子的移动。结合粒子群算法和分布估计算法的树生成方法具有收敛结果好、速度快、并行性能更高的特点。对于PE-DCMST算法中的参数设置的问题,提出了一种基于人工鱼群算法的参数自适应优化算法(AFSA based Self-adaptive Parameter Adjusting, AFSA-SPA),该算法对于PE-DCMST算法中粒子群算法的参数进行自适应调整,以求解最优的粒子群设置参数,算法简洁高效、收敛速度较快。通过实验仿真,分别验证了GA-DCMST算法和PE-DCMST算法的合理性。在实验过程中,GA-DCMST算法体现出了并行性好、收敛速度较快的特点,但也存在一定缺点,即算法实现复杂,代码编写量巨大,参数设置较多,且可能出现收敛结果不好的情况。PE-DCMST算法具有更好的效果,在并行性、效率、收敛结果等方面都有较大优势,结合AFSA-SPA参数优化算法,较好的解决了度约束最小生成树的构建问题,对应用层组播中组播树构建的研究具有一定的引导意义,并对应用层组播技术的实际应用具有一定帮助。