软件定义网络(SDN)是一种新型的网络架构,其将转发平面和控制平面分离。SDN控制器可以根据所拥有全网的网络拓扑信息和网络流量信息进行相应的流量控制,业务需求可以通过编程按需定制,而底层的网络硬件只负责完成转发功能。如何在此集中式的控制方式下实现高效的流量调度策略,提高网络的资源利用率变成为了一个热点研究课题。针对实际网络中流量矩阵数量巨大,对每个时刻的流量矩阵进行流量调度非常消耗资源的问题,重点讨论了在流量矩阵演化过程中何时、怎样进行调度策略切换的问题。本文考虑到流量值的相似性和时间领域的相似性,提出了一种新的多维度流量矩阵聚类方法。该方法能够有效提取出关键流量矩阵,然后采用粗粒度调度策略和细粒度调度策略对关键流量矩阵进行流量调度。仿真结果表明粗粒度的调度策略显著降低了策略切换的次数,细粒度的调度策略进一步改善了链路利用率。传统的流量工程策略的研究大多集中在构建和求解数学模型方面。针对其计算复杂度过高的问题,提出了一种经验驱动的基于多智能体强化学习的流量分配算法。该算法无需求解复杂数学模型即可在预计算的路径上进行有效的流量分配从而高效且充分地利用网络资源。算法在软件定义网络(SDN)控制器进行集中训练且在训练完成后可以在接入交换机分布式执行,同时也避免交换机和控制器的频繁通信。实验结果表明相对于最短路径(SP)和等价多路径(ECMP)算法,提出的算法有效减少了网络的端到端时延的并且增大了网络吞吐量。